p Pesquisadores da Columbia Engineering, liderado pelos professores de engenharia química Venkat Venkatasubramanian e Sanat Kumar, desenvolveram uma nova abordagem para projetar novos materiais nanoestruturados por meio de uma estrutura de projeto inversa usando algoritmos genéticos. O estudo, publicado na edição Early Online de 28 de outubro de Proceedings of the National Academy of Sciences ( PNAS ), é o primeiro a demonstrar a aplicação desta metodologia para o projeto de nanoestruturas automontadas, e mostra o potencial das abordagens de aprendizado de máquina e "big data" incorporadas ao novo Instituto de Ciências e Engenharia de Dados da Columbia. p "Nossa estrutura pode ajudar a acelerar o processo de descoberta de materiais, "diz Venkatasubramanian, Samuel Ruben-Peter G. Viele Professor de Engenharia, e coautor do artigo. "Num sentido, estamos aproveitando como a natureza descobre novos materiais - o modelo darwiniano de evolução - casando-o adequadamente com métodos computacionais. É Darwin com esteróides! "

p Usando um algoritmo genético que desenvolveram, os pesquisadores projetaram partículas enxertadas de DNA que se automontaram nas estruturas cristalinas que desejavam. A forma deles era "inversa" de fazer pesquisa. Na pesquisa convencional, partículas coloidais enxertadas com DNA de fita simples podem se automontar, e então as estruturas de cristal resultantes são examinadas. "Embora esta abordagem Edisoniana seja útil para a compreensão a posteriori dos fatores que governam a montagem, "observa Kumar, Presidente do Departamento de Engenharia Química e co-autor do estudo, "não nos permite projetar a priori esses materiais nas estruturas desejadas. Nosso estudo aborda essa questão de design e apresenta uma abordagem de otimização evolutiva que não foi apenas capaz de reproduzir o diagrama de fase original detalhando regiões de cristais conhecidos, mas também para elucidar estruturas anteriormente não observadas. "

p Os pesquisadores estão usando conceitos e técnicas de "big data" para descobrir e projetar novos nanomateriais - uma área prioritária da Iniciativa de Genoma de Materiais da Casa Branca - usando uma metodologia que revolucionará o design de materiais, impactando uma ampla gama de produtos que afetam nossas vidas diárias, de drogas e produtos químicos agrícolas, como pesticidas ou herbicidas a aditivos de combustível, tintas e vernizes, e até produtos de higiene pessoal, como xampu.

p "Esta abordagem de design inverso demonstra o potencial do aprendizado de máquina e abordagens de engenharia de algoritmo para problemas desafiadores na ciência dos materiais, "diz Kathleen McKeown, diretor do Instituto de Ciências de Dados e Engenharia e Henry e Gertrude Rothschild, Professor de Ciência da Computação. "No Instituto, estamos focados em sermos pioneiros em tais avanços em uma série de problemas de grande importância prática na engenharia. "

p Venkatasubramanian acrescenta, "Descobrir e projetar novos materiais e formulações avançadas com as propriedades desejadas é um problema importante e desafiador, abrangendo uma ampla variedade de produtos em indústrias voltadas para energia limpa, segurança nacional, e o bem-estar humano. "Ele ressalta que a abordagem tradicional de descoberta de tentativa e erro de Edison é demorada e cara - pode causar grandes atrasos no tempo de colocação no mercado, bem como perder soluções potenciais. E a quantidade cada vez maior de dados de experimentação de alto rendimento, enquanto um grande desafio de modelagem e informática, também criou oportunidades para design e descoberta de materiais.

p Os pesquisadores basearam-se em seus trabalhos anteriores para desenvolver o que eles chamam de estrutura evolutiva para a descoberta automatizada de novos materiais. Venkatasubramanian propôs o framework de design e analisou os resultados, e Kumar desenvolveu a estrutura no contexto de nanomateriais automontados. Babji Srinivasan, um pós-doutorado com Venkatasubramanian e Kumar e agora um professor assistente no IIT Gandhinagar, e Thi Vo, um candidato a PhD na Columbia Engineering, realizou a pesquisa computacional. A equipe colaborou com Oleg Gang e Yugang Zhang do Laboratório Nacional de Brookhaven, quem realizou os experimentos de apoio.

p A equipe planeja continuar explorando o espaço de design de potenciais nanoestruturas coloidais enxertadas com ssDNA, melhorando seus modelos avançados, e trazer técnicas de aprendizado de máquina mais avançadas. “Precisamos de um novo paradigma que aumente o fluxo de ideias, amplia o horizonte de pesquisa, e arquiva o conhecimento dos sucessos de hoje para acelerar os de amanhã, "diz Venkatasubramanian.