기계 학습은 더 강한 폴리머를 찾는 데 도움이됩니다

MIT와 Duke University의 연구원들이 개발 한 전략은 기계 학습을 사용하여 폴리머가 찢어짐에 더욱 저항력이있는 가교 분자를 식별합니다.이것은 플라스틱 폐기물을 줄이는 데 도움이 될 수 있습니다.이 방법은 힘에 노출 될 때 구조 나 행동을 변화시키는 분자 인 기계식에 초점을 맞추고 신경망을 사용하여 후보자를 스크리닝합니다.

연구원들은이 방법을 페로 센에게 적용했으며, 철분 함유 화합물은 기계식으로 널리 연구되지 않았다.테스트에 따르면 재료는 표준 페로 센 기반 가교제로 만든 재료보다 약 4 배 더 힘들었습니다.

첫 번째 단계는 약 400 개의 페로 세네를 시뮬레이션하여 결합을 파괴하는 데 필요한 힘을 계산했습니다.이 데이터는 다른 화합물의 눈물 저항을 예측하기 위해 기계 학습 모델을 훈련시켰다.이 모델은 성능을 향상시키는 두 가지 기능, 즉 링의 화학 그룹 간의 상호 작용과 Ferrocene의 양쪽에 큰 그룹의 존재를 발견했습니다.첫 번째 특징은 예상되었지만, 두 번째 특징은 AI가 발견 한 결과였으며 인간 화학자는 예측하지 못했습니다.

역학을 찾고 테스트하는 것은 일반적으로 느린 과정입니다.가장 알려진 기계식은 사이클로 부탄과 같은 유기적이며, 이는 가교제로 사용되었습니다.실험실에서 하나의 기계공을 테스트하는 데 몇 주가 걸릴 수 있습니다.시뮬레이션조차도 며칠이 걸립니다.이것은 수천 가지 옵션이있을 때 전통적인 스크리닝을 어렵게 만듭니다.

페로 세는 촉매 및 약물 연구에서 일반적이지만 기계식만큼 테스트되지 않았습니다.이들 유기 금속 화합물은 2 개의 탄소 기반 고리 사이에 철 원자가있다.고리는 분자가 힘에 반응하는 방식에 영향을 미치는 화학 그룹을 운반합니다.

Ferrocenes와 협력하고 기계 학습을 사용함으로써 팀은 유용한 기계식을 찾는보다 확장 가능한 방법을 보여주었습니다.이 접근법은 또한 색상을 변화 시키거나 반응을 유발하거나 다른 행동을함으로써 힘에 반응하는 화합물을 찾는 데 도움이 될 수 있습니다.이것은 스트레스 감지, 촉매 전환 또는 약물 전달에 유용 할 수 있습니다.

미래의 작업은 페로 센 및 기타 금속 기반 화합물을보고 더 많은 기계식을 찾고 새로운 재료를 개발할 것입니다.