Cientistas da University of South Carolina e da Columbia University desenvolveram uma maneira mais rápida de projetar e fabricar membranas de filtragem de gás que podem reduzir as emissões de gases de efeito estufa e reduzir a poluição.

Seu novo método, publicado hoje em Avanços da Ciência , combina aprendizado de máquina com química sintética para projetar e desenvolver novas membranas de separação de gás mais rapidamente. Experimentos recentes aplicando essa abordagem resultaram em novos materiais que separam gases melhor do que quaisquer outras membranas de filtragem conhecidas.

A descoberta pode revolucionar a maneira como novos materiais são projetados e criados, Brian Benicewicz, o professor de química SmartState da Universidade da Carolina do Sul, disse.

"Isso remove as suposições e o antigo trabalho de tentativa e erro, o que é muito ineficaz, Benicewicz disse. “Você não precisa fazer centenas de materiais diferentes e testá-los. Agora você está deixando a máquina aprender. Isso pode restringir sua pesquisa. "

Os filmes plásticos ou membranas são freqüentemente usados ​​para filtrar gases. Benicewicz explicou que essas membranas sofrem de uma compensação entre seletividade e permeabilidade - um material que deixa um gás passar dificilmente interromperá uma molécula de outro gás. "Estamos falando de algumas moléculas realmente pequenas, "Benicewicz disse." A diferença de tamanho é quase imperceptível. Se você quiser muita permeabilidade, você não vai ter muita seletividade. "

Benicewicz e seus colaboradores na Columbia University queriam ver se o big data poderia projetar uma membrana mais eficaz.

A equipe da Columbia University criou um algoritmo de aprendizado de máquina que analisou a estrutura química e a eficácia das membranas existentes usadas para separar o dióxido de carbono do metano. Uma vez que o algoritmo pode prever com precisão a eficácia de uma determinada membrana, eles inverteram a questão:Que estrutura química faria a membrana de separação de gás ideal?

Sanat K. Kumar, o Professor Bykhovsky de Engenharia Química em Columbia, comparou-o com o método da Netflix para recomendar filmes. Ao examinar o que um espectador assistiu e gostou antes, A Netflix determina os recursos de que o espectador gosta e, em seguida, encontra vídeos para recomendar. Seu algoritmo analisou as estruturas químicas das membranas existentes e determinou quais estruturas seriam mais eficazes.

O computador produziu uma lista de 100 materiais hipotéticos que podem ultrapassar os limites atuais. Benicewicz, que lidera um grupo de pesquisa em química sintética, identificou duas das estruturas propostas que poderiam ser feitas de forma plausível. Laura Murdock, um UofSC Ph.D. estudante de química, fez os polímeros prescritos e lançou-os em filmes finos.

Quando as membranas foram testadas, sua eficácia estava próxima da previsão do computador e bem acima dos limites presumidos.

"O desempenho deles foi muito bom - muito melhor do que o que havia sido feito anteriormente, - disse Murdock. - E foi muito fácil. Tem potencial para uso comercial. "

A separação do dióxido de carbono e do metano tem aplicação imediata na indústria de gás natural; CO ₂ deve ser removido do gás natural para evitar a corrosão em dutos. Mas Murdock disse que o método de usar big data para remover as suposições do processo leva a outra questão:"Em quais outros materiais poliméricos podemos aplicar o aprendizado de máquina e criar materiais melhores para todos os tipos de aplicativos?"

Benicewicz disse que o aprendizado de máquina pode ajudar os cientistas a projetar novas membranas para separar os gases do efeito estufa do carvão, o que pode ajudar a reduzir as mudanças climáticas.

“Este trabalho aponta, portanto, para uma nova forma de design de materiais, "Kumar disse." Em vez de testar todos os materiais existentes para uma aplicação específica, você procura a parte de um material que melhor atende a necessidade que você tem. Quando você combina os melhores materiais, tem a chance de projetar um material melhor. "