O aprendizado de máquina pode ser usado para prever as propriedades de um grupo de materiais que, de acordo com alguns, pode ser tão importante para o século 21 quanto os plásticos foram para o século 20.

Os pesquisadores usaram técnicas de aprendizado de máquina para prever com precisão as propriedades mecânicas de estruturas metálicas orgânicas (MOFs), que poderia ser usado para extrair água do ar no deserto, armazenar gases perigosos ou alimentar carros à base de hidrogênio.

Os pesquisadores, liderado pela Universidade de Cambridge, usaram seu algoritmo de aprendizado de máquina para prever as propriedades de mais de 3.000 MOFs existentes, bem como MOFs que ainda não foram sintetizados em laboratório.

Os resultados, publicado na edição inaugural da revista Cell Press Matéria , poderia ser usado para acelerar significativamente a maneira como os materiais são caracterizados e projetados em escala molecular.

MOFs são compostos 3-D de automontagem feitos de átomos metálicos e orgânicos conectados entre si. Como plásticos, eles são altamente versáteis, e pode ser personalizado em milhões de combinações diferentes. Ao contrário dos plásticos, que são baseados em longas cadeias de polímeros que crescem em apenas uma direção, MOFs têm estruturas cristalinas ordenadas que crescem em todas as direções.

Essa estrutura cristalina significa que os MOFs podem ser feitos como blocos de construção:átomos ou moléculas individuais podem ser ligados ou desligados da estrutura, um nível de precisão impossível de alcançar com plásticos.

As estruturas são altamente porosas com uma área de superfície massiva:um MOF do tamanho de um cubo de açúcar colocado de forma plana cobriria uma área do tamanho de seis campos de futebol. Talvez um tanto contra-intuitivamente, no entanto, MOFs são dispositivos de armazenamento altamente eficazes. Os poros em qualquer MOF podem ser personalizados para formar uma bolsa de armazenamento de formato perfeito para diferentes moléculas, apenas mudando os blocos de construção.

"O fato de os MOFs serem tão porosos os torna altamente adaptáveis ​​a todos os tipos de aplicações diferentes, mas, ao mesmo tempo, sua natureza porosa os torna altamente frágeis, "disse o Dr. David Fairen-Jimenez do Departamento de Engenharia Química e Biotecnologia de Cambridge, quem liderou a pesquisa.

MOFs são sintetizados na forma de pó, mas para ter alguma utilidade prática, o pó é colocado sob pressão e transformado em maior, pelotas moldadas. Devido à sua porosidade, muitos MOFs são esmagados neste processo, desperdiçando tempo e dinheiro.

Para resolver este problema, Fairen-Jimenez e seus colaboradores da Bélgica e dos Estados Unidos desenvolveram um algoritmo de aprendizado de máquina para prever as propriedades mecânicas de milhares de MOFs, de modo que somente aqueles com a estabilidade mecânica necessária sejam fabricados.

Os pesquisadores usaram uma abordagem computacional de vários níveis para construir um mapa interativo da paisagem estrutural e mecânica dos MOFs. Primeiro, eles usaram simulações moleculares de alto rendimento para 3, 385 MOFs. Em segundo lugar, eles desenvolveram um algoritmo de aprendizado de máquina disponível gratuitamente para prever automaticamente as propriedades mecânicas de MOFs existentes e ainda a serem sintetizados.

"Agora podemos explicar a paisagem para todos os materiais ao mesmo tempo, "disse Fairen-Jimenez." Por aqui, podemos prever qual seria o melhor material para uma determinada tarefa. "

Os pesquisadores lançaram um site interativo onde os cientistas podem projetar e prever o desempenho de seus próprios MOFs. Fairen-Jimenez diz que a ferramenta ajudará a fechar a lacuna entre experimentalistas e computacionalistas que trabalham nesta área. “Permite que os pesquisadores acessem as ferramentas de que precisam para trabalhar com esses materiais:simplifica as perguntas que precisam fazer, " ele disse.