As gaiolas nanométricas podem desempenhar um grande papel na redução do consumo de energia na ciência e na indústria, e a pesquisa de aprendizado de máquina na Oregon State University visa acelerar a implantação dessas moléculas notáveis.

As moléculas de gaiola orgânica porosa em estudo na OSU são capazes de capturar seletivamente moléculas de gás, potencialmente permitindo uma enorme economia de energia na miríade de separações de gás conduzidas no setor químico.

"Esses sólidos moleculares porosos são como esponjas que absorvem gases discriminadamente, "disse Cory Simon, professor assistente de engenharia química e autor correspondente de um estudo publicado em ACS Central Science .

Juntos, a separação e purificação de misturas químicas são responsáveis ​​por mais de 10% do consumo mundial de energia.

As moléculas de gaiola porosa têm cavidades nanométricas intrínsecas à sua estrutura, e as moléculas de gás são atraídas e presas dentro dessas cavidades por meio de adsorção.

"Mas cada gaiola adsorve certos gases mais prontamente do que outros, e esta propriedade potencialmente torna as gaiolas úteis para separar misturas de gases com maior eficiência energética, " Simon disse.

Contudo, existem milhares dessas moléculas de gaiola que podem ser sintetizadas - para fazer até mesmo uma delas e testar suas propriedades leva meses no laboratório - e centenas de separações químicas diferentes são necessárias na indústria; daí a necessidade de uma abordagem computacional para classificar as possibilidades e encontrar a melhor molécula para o trabalho em questão.

Simon explorou a ideia de que a forma de qualquer cavidade é responsável pelas moléculas de gás que ela atrai com mais facilidade.

Simon e os alunos Arni Sturluson, Melanie Huynh e Arthur York empregaram um método de aprendizado de máquina "não supervisionado" para categorizar e agrupar moléculas de gaiola com base em suas formas de cavidades e, portanto, propriedades de adsorção.

Não supervisionado significa que o computador aprendeu sobre as relações forma / propriedade por conta própria; não foi dado nenhum rótulo para instruí-lo.

"Basta mostrar os dados para o algoritmo, e encontra automaticamente padrões - estrutura - nos dados, " Simon disse.

Os pesquisadores usaram um conjunto de dados de treinamento de 74 moléculas gaiolas orgânicas porosas sintetizadas experimentalmente, cada uma delas digitalizada computacionalmente. resultando em uma imagem 3-D de "porosidade" de cada uma semelhante a uma imagem gerada por uma tomografia computadorizada.

"Com base nessas imagens 3-D, nos inspiramos em um algoritmo de reconhecimento facial, eigenfaces, para agrupar gaiolas com cavidades de formato semelhante, "disse ele." Usando a decomposição de valor singular, codificamos as imagens 3-D das gaiolas em vetores de dimensões inferiores. "

Simon explica o processo usando a analogia dos rostos das pessoas.

"Imagine que você foi forçado a mapear o rosto de todos em um ponto em um gráfico de dispersão bidimensional, preservando o máximo de informações que puder sobre os rostos, "disse ele." Portanto, cada rosto é descrito por apenas dois números, e rostos de aparência semelhante são agrupados próximos no gráfico de dispersão. Essencialmente, a decomposição de valor singular executou esta codificação, mas para moléculas de gaiola porosas. "

A pesquisa demonstrou que a codificação aprendida captura as características salientes das cavidades de gaiolas porosas e pode prever propriedades das gaiolas que se relacionam com o formato da cavidade.

"Nossos métodos podem ser aplicados para aprender representações latentes de cavidades dentro de outras classes de materiais porosos e de formas de moléculas em geral, " Simon disse.