Vidro para tecnologias como monitores, tablets, laptops, smartphones, e as células solares precisam passar luz, mas poderia se beneficiar de uma superfície que repele água, sujeira, óleo, e outros líquidos. Pesquisadores da Escola de Engenharia Swanson da Universidade de Pittsburgh criaram um vidro de nanoestrutura que se inspira nas asas da borboleta de asa de vidro para criar um novo tipo de vidro que não é apenas muito claro em uma ampla variedade de comprimentos de onda e ângulos, mas também é anti-embaciamento.

A equipe publicou recentemente um artigo detalhando suas descobertas:"Creating Glasswing-Butterfly Inspired Durable Antifogging Omniphobic Supertransmissive, Vidro Nanoestruturado Superclear por meio de Aprendizagem e Otimização Bayesiana "em Horizontes de materiais . Recentemente, eles apresentaram este trabalho na conferência ICML no "Climate Change:How Can AI Help?" oficina.

O vidro nanoestruturado tem nanoestruturas aleatórias, como a asa de borboleta de asa de vidro, que são menores do que os comprimentos de onda da luz visível. Isso permite que o vidro tenha uma transparência muito alta de 99,5% quando as nanoestruturas aleatórias estão em ambos os lados do vidro. Esta alta transparência pode reduzir o brilho e as demandas de energia em telas que poderiam, por exemplo, prolongar a vida útil da bateria. O vidro é anti-reflexo em ângulos mais altos, melhorando os ângulos de visão. O vidro também tem baixa névoa, menos de 0,1%, o que resulta em imagens e texto muito nítidos.

"O vidro é superomnifóbico, o que significa que repele uma grande variedade de líquidos, como suco de laranja, café, agua, sangue, e leite, "explica Sajad Haghanifar, autor principal do artigo e doutorando em engenharia industrial pela Pitt. “O vidro também é antiembaçante, como a condensação da água tende a rolar facilmente para fora da superfície, e a visão através do vidro permanece desobstruída. Finalmente, o vidro nanoestruturado é resistente à abrasão devido às suas propriedades de autocura - a abrasão da superfície com uma esponja áspera danifica o revestimento, mas aquecê-lo restaura sua função original. "

Superfícies naturais como folhas de lótus, olhos de mariposa e asas de borboleta exibem propriedades onifóbicas que os tornam autolimpantes, resistente a bactérias e repelente de água - adaptações para a sobrevivência que evoluíram ao longo de milhões de anos. Os pesquisadores há muito buscam inspiração na natureza para replicar essas propriedades em um material sintético, e até mesmo para melhorá-los. Embora a equipe não pudesse contar com a evolução para alcançar esses resultados, em vez disso, utilizaram o aprendizado de máquina.

"Algo significativo sobre a pesquisa do vidro nanoestruturado, em particular, é que fizemos uma parceria com a SigOpt para usar o aprendizado de máquina para chegar ao nosso produto final, "diz Paul Leu, Ph.D., professor associado de engenharia industrial, cujo laboratório conduziu a pesquisa. O Dr. Leu possui cargos secundários em engenharia mecânica e ciência de materiais e engenharia química. "Quando você cria algo assim, você não começa com muitos dados, e cada tentativa leva muito tempo. Usamos o aprendizado de máquina para sugerir variáveis ​​a serem alteradas, e levou menos tentativas para criar este material como resultado. "

"Otimização bayesiana e busca ativa são as ferramentas ideais para explorar o equilíbrio entre transparência e onifobicidade de forma eficiente, isso é, sem precisar de milhares de fabricações, exigindo centenas de dias ", disse Michael McCourt, Ph.D., engenheiro de pesquisa na SigOpt. Bolong Cheng, Ph.D., colega engenheiro de pesquisa na SigOpt, adicionado, "As estratégias de aprendizado de máquina e IA são relevantes apenas quando resolvem problemas reais; estamos empolgados em poder colaborar com a Universidade de Pittsburgh para levar o poder do aprendizado ativo Bayesiano a um novo aplicativo."

"Creating Glasswing-Butterfly Durable Antifogging Omniphobic Supertransmissive, Superclear Nanostrcutured Glass Through Bayesian Learning and Optimization "foi coautor de Sajad Haghanifar, e Paul Leu, da Escola de Engenharia Swanson de Pitt; Michael McCourt e Bolong Cheng da SigOpt; e Paul Ohodnicki e Jeffrey Wuenschell do Laboratório Nacional de Energia do Departamento de Energia dos EUA.