Imagine uma sacola de plástico que pode levar suas compras para casa, então degradar rapidamente, sem agredir o meio ambiente. Ou um super forte, plástico leve para aviões, foguetes, e satélites que podem substituir metais estruturais tradicionais em tecnologias aeroespaciais.

O aprendizado de máquina e a inteligência artificial aceleraram a capacidade de projetar materiais com propriedades específicas como essas. Mas, embora os cientistas tenham tido sucesso no projeto de novas ligas metálicas, polímeros - como o plástico usado para sacolas - são muito mais difíceis de projetar.

Pesquisadores da Pritzker School of Molecular Engineering (PME) da University of Chicago descobriram um caminho a seguir no projeto de polímeros combinando modelagem e aprendizado de máquina.

Ao construir computacionalmente quase 2, 000 polímeros hipotéticos, eles foram capazes de criar um banco de dados grande o suficiente para treinar uma rede neural - um tipo de aprendizado de máquina - para entender quais propriedades do polímero surgem de diferentes sequências moleculares.

“Mostramos que o problema é tratável, "disse Juan de Pablo, Liew Family Professor de Engenharia Molecular que liderou a pesquisa. "Agora que estabelecemos esta base e mostramos que isso pode ser feito, podemos realmente avançar no uso dessa estrutura para projetar polímeros com propriedades específicas. "

Os resultados foram publicados em 21 de outubro em Avanços da Ciência .

Projetar polímeros é difícil devido a longas cadeias de átomos

Os polímeros exibem amorfos, estruturas desordenadas que não podem ser facilmente definidas usando as técnicas que os cientistas desenvolveram para estudar metais ou outros materiais cristalinos.

As moléculas de polímero consistem em grandes arranjos de átomos dispostos em uma longa cadeia, às vezes compreendendo milhões de "monômeros". Cada molécula de polímero é diferente. Não é apenas o comprimento diferente, mas a seqüência em que os átomos estão dispostos pode variar consideravelmente.

O comprimento e a sequência têm uma grande influência nas propriedades de uma molécula polimérica, e o número extraordinariamente grande de combinações possíveis de comprimento e sequência é um desafio central no projeto de moléculas com propriedades específicas. As abordagens de tentativa e erro são de uso limitado e gerar os dados experimentais necessários para informar uma estratégia de design racional seria muito exigente.

É aí que entra o aprendizado de máquina. Os pesquisadores decidiram responder à pergunta:"Algoritmos de aprendizado de máquina podem 'aprender' como prever as propriedades de polímeros de acordo com sua sequência, e, se então, quão grande de um conjunto de dados seria necessário para treinar os algoritmos subjacentes? "

Criação de um banco de dados para aprender sequências de polímero

Para criar o banco de dados, os pesquisadores usaram quase 2, 000 polímeros construídos computacionalmente, todos com sequências diferentes, e executou simulações moleculares para prever suas propriedades e comportamento. Quando eles usaram uma rede neural pela primeira vez para descobrir quais propriedades eram baseadas em quais sequências moleculares, eles não tinham certeza se encontrariam uma resposta razoável.

"Não sabíamos quantas sequências de polímeros diferentes eram necessárias para aprender o comportamento dos materiais, "de Pablo disse." A resposta poderia ter sido milhões. "

Felizmente, a rede precisava apenas de menos de algumas centenas de sequências diferentes para aprender as propriedades e prever o comportamento de sequências moleculares completamente novas. Isso significava que os experimentalistas podiam agora seguir uma estratégia semelhante e criar um banco de dados para treinar uma rede de aprendizado de máquina para prever as propriedades dos polímeros com base em dados experimentais.

Este, Contudo, era apenas metade do problema. Próximo, os pesquisadores precisavam usar as informações aprendidas pela rede neural para realmente projetar novas moléculas. Eles começaram a fazer isso e, pela primeira vez, foram capazes de demonstrar a capacidade de especificar uma propriedade desejada de uma molécula de polímero e usar o aprendizado de máquina para gerar um conjunto de sequências que levariam a essas propriedades.

Projetando polímeros específicos

Embora o sistema tenha sido treinado para entender apenas um certo tipo de polímero, as implicações potenciais podem se estender a muitos tipos. Não só as empresas podem criar produtos que sejam mais ecológicos, eles também podem projetar polímeros que fazem exatamente o que eles querem que eles façam.

Os polímeros são rotineiramente dissolvidos em solventes para tintas, cosméticos, drogas, soluções médicas, e alimentos para controlar o fluxo de líquidos, por exemplo. Os polímeros também são usados ​​em uma ampla gama de tecnologias avançadas, variando de aplicações aeroespaciais a armazenamento de energia e dispositivos eletrônicos e biomédicos. Projetar polímeros com alta precisão para aplicações específicas poderia permitir que as empresas projetassem materiais de uma forma mais acessível, mais fácil, e de maneira mais sustentável.

Próximo, o grupo de pesquisa espera envolver experimentalistas no desenvolvimento de alguns dos polímeros que eles projetaram e continuar a refinar seu sistema para criar polímeros ainda mais complexos. Contando com sistemas robóticos para síntese de alto rendimento e caracterização de novas moléculas, eles esperam estender seu banco de dados para incluir dados experimentais.

“Acreditamos estar na vanguarda desta área, "disse de Pablo." Nos próximos dois a cinco anos, vocês verão um trabalho muito impactante saindo desses esforços e de outros grupos de pesquisa da Universidade de Chicago, no Argonne National Laboratory, e em todo o mundo. Também construímos fortes parcerias com colaboradores industriais que nos permitirão acelerar a transferência de conhecimento da academia para o setor comercial. "