Büyük Veri ve Sentetik Kimya İklim Değişikliği ve Kirlilikle Mücadele Edebilir
Fotoğraf: South Carolina Üniversitesi’nde doktora adayı Laura Murdock, makine öğrenimi tarafından yönlendirilen kimyasal tasarıma göre yaptığı polimer filmi gösteriyor. Film, karbondioksit ve metanı ayırmak için kullanılan bilinen tüm membranlardan daha iyi performans göstermiştir, bu durum da makine öğreniminin kimyagerlerin yeni materyalleri daha hızlı geliştirmesine yardımcı olabileceğini gösterdi. Kaynak: Laura Murdock / Güney Carolina Üniversitesi
South Carolina Üniversitesi ve Columbia Üniversitesi’ndeki bilim insanları, sera gazı emisyonlarını ve kirliliği azaltabilecek gaz filtreleme membranlarını tasarlamak için daha hızlı bir yol geliştirdiler.
Science Advances’ta yayınlanan yazıda bahsedildiği üzere, yeni gaz ayırma membranlarını daha hızlı bir şekilde tasarlamak ve geliştirmek için makine öğrenimi ile sentetik kimya birleştiriliyor. Bu yaklaşımın uygulandığı son deneyler, gazları bilinen diğer filtreleme membranlarından çok daha iyi ayıran yeni malzemelerle sonuçlandı.
South Carolina Üniversitesi’nde kimya profesörü olan Brian Benicewicz, keşfin yeni malzemelerin tasarlanmasında ve oluşturulmasında bir devrim yapabileceğini söyledi. Benicewicz,”Bu keşif eskiden kullanılan deneme-yanılma yöntemlerini etkisiz bırakıyor. Yüzlerce farklı malzeme yapmak ve onları test etmek zorunda kalmıyorsunuz. Makine öğreniminin kullanımına izin vererek aramanızı daraltabiliyorsunuz.”dedi.
Gazları filtrelemek için genellikle plastik filmler veya membranlar kullanılır. Benicewicz, bu membranları kullanırken seçicilik ve geçirgenlik arasında bir dengesizliğin meydana geldiğini açıkladı – bir gazın geçmesine izin veren bir malzeme, başka bir gazın molekülünün geçmesine de izin verebilir. Benicewicz , “Küçük moleküllerden bahsediyoruz, boyut farkı neredeyse algılanamaz. Çok fazla geçirgenlik istiyorsanız, çok fazla seçicilik elde edemezsiniz.” dedi.
Benicewicz ve Columbia Üniversitesi’ndeki ekibi, büyük verilerin daha etkili bir membran tasarlayıp tasarlayamayacağını denemek istediler.
Columbia Üniversitesi’ndeki ekip, karbondioksiti metandan ayırmak için kullanılan mevcut membranların kimyasal yapısını ve etkinliğini analiz eden bir makine öğrenme algoritması oluşturdu. Algoritma belirli bir membranın etkinliğini doğru bir şekilde tahmin edebildiğinde, ekip bu sefer soruyu tersten sordu: Hangi kimyasal yapı ideal gaz ayırma membranını oluşturabilir?
Kimya Mühendisliği Profesörü Sanat K. Kumar, fikri Netflix’in kullanıcalara film önerme algortimasıyla karşılaştırdı. Netflix, bir izleyicinin daha önce izlediği veya beğendiği şeyleri inceleyerek, izleyicinin sahip olduğu özellikleri belirler ve ardından ona tavsiye edilecek filmleri, dizileri bulur. Ekibin algoritması da mevcut membranların kimyasal yapılarını analiz etti ve hangi yapıların daha etkili olacağını belirledi.
Bilgisayar, 100 varsayımsal materyalin bir listesini hazırladı. Sentetik kimya araştırma grubuna liderlik eden Benicewicz, makul bir biçimde yapılabilecek, önerilen yapılardan ikisini tanımladı. Laura Murdock, Doktora kimya öğrencisi, istenilen polimerleri yaptı.
Membranlar test edildiğinde, etkinlikleri bilgisayarın öngörüsüne çok yakındı ve varsayılan sınırların epey üzerindeydi.
Murdock, “Performansları daha önce yapılmış olanlardan çok daha iyiydi ve oldukça kolaydı. Ayrıca ticari kullanım potansiyeline de sahip.” dedi.
Karbondioksit ve metanın ayrılması doğal gaz endüstrisinde direkt uygulanır çünkü boru hatlarında korozyonu önlemek için CO2 doğal gazdan uzaklaştırılmalıdır. Ancak Murdock, büyük veri kullanma yönteminin başka bir soruya yol açtığını söyledi: “Makine öğrenimini yöntemini başka hangi polimer malzemelere uygulayabiliriz ve böylelikle daha iyi malzemeler oluşturabiliriz?”
Benicewicz, makine öğrenimini yönteminin bilim insanlarının sera gazlarını kömürden ayırmak için yeni membranlar tasarlamalarına yardımcı olabileceğini ve bunun da iklim değişikliğini azaltmaya yardımcı olabileceğini söyledi.
Kumar, “Bu çalışma ayrıca yeni bir malzeme tasarımı yöntemine işaret ediyor. Belirli bir uygulama için var olan tüm malzemeleri test etmek yerine, bir malzemenin sahip olduğunuz ihtiyaca en iyi şekilde yanıt verip vermeyeceğini öğrenebilirsiniz. Böylelikle en iyi malzemeleri birleştirdiğinizde, daha iyi bir malzeme tasarlama şansınız olur.” dedi.
Kaynakça: phys.org
