Makine Öğrenimi ile Ayırma, Adsorpsiyon ve Kataliz

Makine Öğrenimi ile Ayırma, Adsorpsiyon ve Kataliz

Fotoğraf: Metal Organik Kafesler (MOF’lar), organik ligandlara bağlı inorganik metal iyonlarından sentezlenen gözenekli ve kristalli bir malzeme sınıfıdır. HKUST-1 ve MIL-100 (Fe) olmak üzere iki tür malzeme gösterilmiştir.

Yapay zeka tekniğiyle makine öğrenimi, kimyasal ayırma, adsorpsiyon, kataliz ve algılamada önemli uygulamaları olan  Metal-Organik Kafesler (MOF’lar) olarak bilinen son derece derecede ayarlanabilir malzemelerin geliştirilmesine yardımcı oluyor.

200’den fazla MOF’un özellikleri hakkında verilerden yararlanan makine öğrenim platformu, su stabilitesi gibi genellikle gerekli olan özellikleri öngörerek yeni malzemelerin gelişimine rehberlik etmek üzere eğitildi. Araştırmacılar, modelin rehberliğini kullanarak, zaman alıcı sentezleme görevinden kaçınabilir ve ardından yeni aday MOF’ları sulu stabiliteleri için deneysel olarak test edebilirler. Araştırmacılar, MOF’ların önemli özelliklerini tahmin edebilmek için bu modeli genişletiyorlar.

ABD Enerji Bakanlığı (DOE) bünyesindeki Bilim Ofisi Temel Enerji Bilimleri programı tarafından desteklenen araştırma, 9 Kasım’da Nature Machine Intelligence dergisinde yayınlandı. Araştırma, enerji için malzemelerin asit gaz kaynaklı gelişimini anlama ve kontrol merkezi olan Georgia Teknoloji Enstitüsü’nde bulunan bir DOE Enerji Sınırı Araştırma Merkezi’nde (UNCAGE-ME) yürütülmüştür.

Georgia Tech’in Kimya ve Biyomoleküler Mühendisliği Okulu’nda profesör ve Robert “Bud” Moeller Fakültesi öğretim üyesi olan Krista Walton, “MOF’’larla su stabilitesi sorunu, tahmin etmenin kolay bir yolu olmadan uzun süredir bu alanda var olmuştur. Her bir aday MOF ile bunu anlamak için sentez ve deney yapmak zorunda kalmak yerine, bu makine öğrenme modeli artık bir dizi istenen özellik göz önüne alındığında su stabilitesini tahmin etmenin bir yolunu sunuyor. Bu, belirli uygulamalar için yeni materyalleri tanımlama sürecini gerçekten hızlandıracaktır” dedi.

MOF’lar, organik ligandlara bağlı inorganik metal iyonlarından sentezlenen gözenekli ve kristal yapılı malzeme sınıfıdır. Belirli uygulamalar için özelleştirilebilen kolayca ayarlanabilen bileşenleri ile bilinirler, ancak çok sayıda potansiyel kombinasyon, istenen özelliklere sahip MOF’ları seçmeyi zorlaştırır. Yapay zekanın yardımcı olabileceği yer burasıdır.

Georgia Tech Malzeme Bilimi ve Mühendisliği Okulu’nda profesör ve aynı zamanda Michael E. Tennenbaum ve Enerji Sürdürülebilirliği alanında Georgia Araştırma İttifakı Seçkin Bilim Adamı Ailesi Başkanı Rampi Ramprasad, makine öğreniminin malzeme biliminde giderek daha önemli bir rol oynadığını söyledi.

Ramprasad, ”Malzeme bilimcileri bir sonraki deney grubunu planlarken, geçmişten edindiğimiz sezgiyi ve iç görüleri kullanırız. Makine öğrenimi, tam olarak bu geçmiş bilgilerden en verimli ve etkili şekilde yararlanmamızı sağlıyor. Halihazırda 200 deney yapıldıysa, makine öğrenimi, biz 201. deneyi planlarken onlardan öğrendiklerimizin tümünden yararlanmamızı sağlıyor” dedi.

Deneysel verilerin yanı sıra, makine öğrenimi fizik tabanlı simülasyonların sonuçlarını da kullanabilir. Simülasyonlardan farklı olarak, makine öğrenme modellerinden elde edilen sonuçlar anlık olabilir. Makine öğrenimi algoritmasının daha fazla bilgi depoladıkça geliştiğini ve hem olumsuz hem de olumlu sonuçların yararlı olduğunu belirtti.

Ramprasad,” Büyük keşifler, çok heyecan verici olmayan keşifler kadar önemlidir, çünkü makine öğrenimi, yaptığı işte daha iyi olmak için spektrumun her iki ucunu kullanır” dedi.

Makine öğrenimi modeli, Walton ve araştırma ekibinin, hem kendi laboratuvarında geliştirilen bileşiklerden hem de diğer araştırmacılar tarafından bildirilenlerden yüzlerce mevcut MOF materyali üzerinde topladığı bilgileri kullandı. Modelin öğreneceği bilgileri hazırlamak için, her birini dört su stabilitesi ölçüsüne göre sınıflandırdı.

Walton, “Modeli oluşturmak için kullanılan birkaç yüz veri noktası, yıllar süren deneyleri temsil ediyor. Kariyerimin ilk yarısını MOF’lardaki bu su stabilitesi problemini anlamak için çalışarak geçirdim, bu yüzden kapsamlı bir şekilde çalıştığımız bir şey” dedi.

Modeli kullanarak, belirli uygulamalar için yeni adsorbanlar ve diğer gözenekli malzemeler geliştiren araştırmacılar, yeni bir MOF’un su varlığında kararlı olma olasılığını belirlemek için önerilen formüllerini kontrol edebilirler. Bu, özellikle bu uzmanlığa sahip olmayan veya kararlılığı incelemek için deneysel yöntemlere kolay erişimi olmayan araştırmacılar için yararlı olabilir.

Walton “MOF topluluğu, çeşitli alt alanlarla farklılaşır. Herkes, hangi malzemelerin özelliklerinin iyi bir çerçeve kararlılığı sağladığına dair kimyasal sezgiye sahip değildir ve deneysel değerlendirme, çoğu laboratuvarın sahip olamayacağı veya başka şekilde kendi özel alt alanları için ihtiyaç duymayacağı özel ekipman gerektirir. Bununla birlikte, iyi tahmine dayalı modellerle, belirli bir uygulama için bir malzeme seçmek üzere geliştirmeleri gerekmeyecektir. Bu yetenek, bu alanı potansiyel olarak uygulama geliştirmeyi hızlandırabilecek daha geniş bir araştırmacı grubuna açıyor” dedi.

Ramprasad, su stabilitesinin taranması önemliyken, bunun projenin potansiyel faydalarının sadece başlangıcı olduğunu söylüyor. Makine öğrenimi modeli, yeterli miktarda veri mevcut olduğu sürece diğer özellikleri tahmin etmek için geliştirilebilir. Örneğin, ekip zaten farklı basınç seviyelerinde metan emilimini etkileyen faktörler hakkında modellerini öğretiyor. Bu durumda simülasyonlar, modelin öğreneceği verilerin çoğunu sağlayacaktır.

Ramprasad ”Yeni bir MOF’un sulu koşullar altında kararlı olup olmayacağını ve metan alımı için iyi bir aday olup olmayacağını bize söyleyecek çok güçlü bir tahminciye sahip olacağız. Yaptığımız şey, yeni özellikler üzerinde eğitilebilecek evrensel ve ölçeklenebilir bir makine öğrenme platformu oluşturmak. Veriler mevcut olduğu sürece, model ondan öğrenebilir ve yeni durumlar için tahminler yapabilir ” dedi.

Daha önce bahsedilenlere ek olarak, Georgia Tech doktora sonrası araştırmacı Rohit Batra ve Georgia Tech yüksek lisans öğrencileri Carmen Chen ve Tania G. Evans da Nature Machine Intelligence dergisinde ortak yazarlardı.

Ramprasad, Malzeme Bilimi ve Mühendisliği’nde bir çok yapay zeka uygulaması hakkında diğer materyallere ve uygulama alanlarına dayanan makine öğrenme teknikleri konusunda deneyime sahiptir ve yakın zamanda “Makine öğrenimi tarafından yönlendirilen ve ortaya çıkan akıllı malzeme ekosistemleri” üzerine bir inceleme makalesinin ortak yazarıdır.

Ramprasad’a ek olarak, Nature Review Materials dergisinin yardımcı yazarları arasında Georgia Tech College of Computing’de doçent olan Batra ve Le Song da vardı.

Bu çalışma, ABD Enerji Bakanlığı, Bilim Ofisi, Temel Enerji Bilimleri tarafından finanse edilen bir Enerji Sınır Araştırma Merkezi olan Enerji için Asit Gazı Kaynaklı Materyallerin Gelişimini Anlama ve Kontrol Merkezi’nin (UNCAGE-ME) bir parçası olarak desteklenmiştir.

Kaynak: gatech.edu

Okumanızı Öneriyoruz

Atık Plastiği Daha Saf Kaliteli Malzemelere Dönüştürmek: Kimyasal Geri Dönüşümün Geleceği

Birleşik Krallık hükümeti kısa süre önce, düşük kaliteli plastik atıklardan saf kalitede malzemeler üretmek için …

WP Twitter Auto Publish Powered By : XYZScripts.com
error: