L'apprentissage automatique peut être utilisé pour prédire les propriétés d'un groupe de matériaux qui, selon certains, pourrait être aussi important au 21e siècle que les plastiques l'étaient au 20e.

Les chercheurs ont utilisé des techniques d'apprentissage automatique pour prédire avec précision les propriétés mécaniques des structures organométalliques (MOF), qui pourrait être utilisé pour extraire l'eau de l'air dans le désert, stocker des gaz dangereux ou alimenter des voitures à hydrogène.

Les chercheurs, dirigé par l'Université de Cambridge, ont utilisé leur algorithme d'apprentissage automatique pour prédire les propriétés de plus de 3000 MOF existants, ainsi que des MOF qui doivent encore être synthétisés en laboratoire.

Les résultats, publié dans l'édition inaugurale de la revue Cell Press Question , pourrait être utilisé pour accélérer considérablement la façon dont les matériaux sont caractérisés et conçus à l'échelle moléculaire.

Les MOF sont des composés 3-D auto-assemblés constitués d'atomes métalliques et organiques connectés ensemble. Comme les plastiques, ils sont très polyvalents, et peut être personnalisé dans des millions de combinaisons différentes. Contrairement aux plastiques, qui reposent sur de longues chaînes de polymères qui ne croissent que dans un seul sens, Les MOF ont des structures cristallines ordonnées qui se développent dans toutes les directions.

Cette structure cristalline signifie que les MOF peuvent être fabriqués comme des blocs de construction :des atomes ou des molécules individuels peuvent être commutés dans ou hors de la structure, un niveau de précision impossible à atteindre avec des plastiques.

Les structures sont très poreuses avec une surface massive :un MOF de la taille d'un morceau de sucre posé à plat couvrirait une surface de la taille de six terrains de football. Peut-être un peu contre-intuitivement cependant, Les MOF sont des périphériques de stockage très efficaces. Les pores d'un MOF donné peuvent être personnalisés pour former une poche de rangement parfaitement formée pour différentes molécules, juste en changeant les blocs de construction.

"Le fait que les MOF soient si poreux les rend hautement adaptables à toutes sortes d'applications différentes, mais en même temps leur nature poreuse les rend très fragiles, " a déclaré le Dr David Fairen-Jimenez du Département de génie chimique et de biotechnologie de Cambridge, qui a dirigé la recherche.

Les MOF sont synthétisés sous forme de poudre, mais pour être d'une quelconque utilité pratique, la poudre est mise sous pression et façonnée en plus gros, pastilles en forme. En raison de leur porosité, de nombreux MOF sont écrasés dans ce processus, perdre du temps et de l'argent.

Pour résoudre ce problème, Fairen-Jimenez et ses collaborateurs de Belgique et des États-Unis ont développé un algorithme d'apprentissage automatique pour prédire les propriétés mécaniques de milliers de MOF, de sorte que seuls ceux ayant la stabilité mécanique nécessaire soient fabriqués.

Les chercheurs ont utilisé une approche informatique à plusieurs niveaux afin de créer une carte interactive du paysage structurel et mécanique des MOF. D'abord, ils ont utilisé des simulations moléculaires à haut débit pour 3, 385 MOF. Deuxièmement, ils ont développé un algorithme d'apprentissage automatique disponible gratuitement pour prédire automatiquement les propriétés mécaniques des MOF existants et à synthétiser.

"Nous sommes désormais capables d'expliquer le paysage pour tous les matériaux en même temps, " dit Fairen-Jimenez. " Par ici, nous pouvons prédire quel serait le meilleur matériau pour une tâche donnée."

Les chercheurs ont lancé un site Web interactif où les scientifiques peuvent concevoir et prédire les performances de leurs propres MOF. Fairen-Jimenez dit que l'outil aidera à combler le fossé entre les expérimentateurs et les informaticiens travaillant dans ce domaine. « Il permet aux chercheurs d'accéder aux outils dont ils ont besoin pour travailler avec ces matériaux :il simplifie les questions qu'ils doivent se poser, " il a dit.