L'enzyme laccase est capable d'altérer la structure chimique du bois à sa surface et ainsi de faciliter les modifications biochimiques sans changer la structure du matériau. En attachant des molécules fonctionnelles, Les chercheurs de l'Empa développent des surfaces en bois imperméables ou antimicrobiennes, par exemple. Il est également possible de fabriquer des fibres de bois adhésives, qui peut être pressé sur des panneaux de fibres sans aucun liant chimique. Ces panneaux de fibres sans solvant sont utilisés pour l'isolation des maisons écologiques.

Le problème :Il existe de nombreuses variantes de laccase, qui diffèrent par l'architecture du centre chimiquement actif, et tous ne réagissent pas avec le substrat souhaité. Comme il est extrêmement difficile de prédire si une laccase particulière réagira ou non avec un substrat spécifique, des séries d'expériences coûteuses et chronophages sont nécessaires pour identifier les paires laccase-substrat appropriées. Des simulations moléculaires pourraient résoudre le problème :vous avez simplement besoin d'une analyse structurelle précise de la laccase pour simuler le mécanisme de réaction chimique pour chaque combinaison souhaitable sur l'ordinateur. Cependant, cela nécessite une grande capacité de calcul informatique et, même à ce moment là, serait extrêmement chronophage et coûteux.

Mais il existe un raccourci :« l'apprentissage en profondeur ». Un programme informatique est entraîné à reconnaître des motifs avec des données de la littérature et des expériences personnelles :quelle laccase oxyde quel substrat ? Quelles pourraient être les meilleures conditions pour que le processus chimique souhaité ait lieu ? La meilleure chose à ce sujet :la recherche fonctionne même si tous les détails sur le mécanisme chimique ne sont pas connus.

Des progrès majeurs au cours des sept dernières années

La disponibilité des données sous une forme adaptée et l'architecture du réseau de deep learning sont cruciales pour que cela réussisse. Schubert travaille déjà sur les réseaux neuronaux depuis plus de sept ans. Son premier projet sur le sujet date de 2012, le dernier en date de 2018. "Dans le passé, nous avons travaillé avec des réseaux neuronaux superficiels :une couche d'entrée, une couche cachée et une couche de sortie. Aujourd'hui, nous travaillons avec des réseaux considérablement plus complexes. Ils contiennent plusieurs couches cachées et sont tellement plus puissants."

Schubert entraîne ses algorithmes avec des ensembles de données connus et les teste avec des ensembles de données que le système n'a jamais vus auparavant. Et ses rapports sur la robustesse de son « moteur de recherche intelligent en bois » sont étonnants :Dans le passé, il n'a pu utiliser que soigneusement sélectionné, données significatives pour obtenir des résultats décents. Pendant ce temps, il teste également ses systèmes avec des piles de données en partie inutilisables. La machine reconnaît ce qu'elle peut utiliser et ce qui ne l'est pas.

Application industrielle du KI

La robustesse du système permet déjà à la machine de deep learning d'être utilisée par l'industrie. Les panneaux isolants autocollants sont produits par la société partenaire Pavatex, avec laquelle Schubert travaille depuis un certain temps. Le processus de production est plein de capteurs; d'énormes quantités de données s'accumulent qui nous disent "quelque chose" sur la qualité des planches fabriquées. Simplement quoi? Le moteur de recherche de bois intelligent de Schubert trouve la connexion.

Le chercheur travaille actuellement à l'optimisation de la production de cette manière. Si quelque chose tourne mal à un moment donné du traitement des fibres, la production doit être ajustée avant que la qualité du produit final ne soit affectée. Cela évite des contrôles coûteux sur le produit final et peut réduire le taux d'erreur dans le processus de production.