Большое количество двумерных материалов, таких как графен, могут иметь нанопоры — небольшие отверстия, образованные отсутствующими атомами, через которые могут проходить инородные вещества. Свойства этих нанопор определяют многие свойства материалов, позволяя им определять газы, фильтровать морскую воду и даже помогать в секвенировании ДНК.
«Проблема в том, что эти 2D-материалы имеют широкое распределение нанопор, как по форме, так и по размеру», — говорит Анант Говинд Раджан, доцент кафедры химической инженерии Индийского института науки (IISc). «Вы не знаете, что сформируется в материале, поэтому очень сложно понять, какими будут свойства полученной мембраны».
Модели машинного обучения могут быть мощным инструментом для анализа структуры нанопор с целью раскрытия новых заманчивых свойств. Но эти модели с трудом описывают, как выглядит нанопора .
Лаборатория Говинда Раджана разработала новый язык, который кодирует форму и структуру нанопор в виде последовательности символов, в исследовании, опубликованном в Журнале Американского химического общества. Этот язык можно использовать для обучения любой модели машинного обучения прогнозированию свойств нанопор в самых разных материалах.
Названный STRONG — СТРОЧНОЕ Представление Геометрии Нанопор — язык присваивает различные буквы различным конфигурациям атомов и создает последовательность всех атомов на краю нанопоры для указания ее формы. Например, полностью связанный атом (имеющий три связи) представлен как «F», а угловой атом (связанный с двумя атомами) представлен как «C» и т. д.
Различные нанопоры имеют разные типы атомов на своем краю, что определяет их свойства. STRONG позволили команде разработать быстрые способы идентификации функционально эквивалентных нанопор с идентичными атомами на краю, например, связанных вращением или отражением. Это радикально сокращает объем данных, которые необходимо проанализировать для прогнозирования свойств нанопор.
Подобно тому, как ChatGPT предсказывает текстовые данные, нейронные сети (модели машинного обучения) могут «читать» буквы в STRONG, чтобы понять, как будет выглядеть нанопора, и предсказать ее свойства.
Команда обратилась к варианту нейронной сети, используемой в обработке естественного языка, которая хорошо работает с длинными последовательностями и может выборочно запоминать или забывать информацию с течением времени. В отличие от традиционного программирования, в котором компьютеру даются явные инструкции, нейронные сети можно обучить, чтобы выяснить, как решить проблему, с которой они до сих пор не сталкивались.
Команда взяла ряд структур нанопор с известными свойствами (такими как энергия образования или барьер для транспортировки газа ) и использовала их для обучения нейронной сети. Нейронная сеть использует эти данные обучения для вычисления приблизительной математической функции, которую затем можно использовать для оценки свойств нанопоры, если задана ее структура в виде букв STRONG.
Это также открывает захватывающие возможности для обратного проектирования — создания нанопористой структуры с определенными свойствами, которые вы ищете, что особенно полезно при разделении газов.
«Используя STRONG и нейронные сети, мы провели скрининг нанопористых материалов для отделения CO2 от дымового газа — смеси газов, выделяющихся при сгорании топлива», — говорит Пиюш Шарма, бывший студент MTech и первый автор исследования.
Этот процесс имеет решающее значение для сокращения выбросов углерода. Исследователи смогли определить несколько структур-кандидатов, которые могли бы эффективно улавливать CO2 из смеси, включающей кислород и азот.
Команда также изучает идею создания цифровых двойников 2D-материалов. «Допустим, вы собираете множество экспериментальных данных о материале. Затем вы можете попытаться увидеть, какой набор нанопор мог бы привести к таким характеристикам», — говорит Говинд Раджан.
«С помощью этого цифрового двойника материала вы можете сделать многое — спрогнозировать эффективность разделения другого набора газов или придумать совершенно новые варианты использования того же материала».
