Imaginez un sac en plastique qui peut transporter à la maison vos courses, puis se dégradent rapidement, sans nuire à l'environnement. Ou un super-fort, plastique léger pour avions, fusées, et les satellites qui peuvent remplacer les métaux structurels traditionnels dans les technologies aérospatiales.

L'apprentissage automatique et l'intelligence artificielle ont accéléré la capacité de concevoir des matériaux avec des propriétés spécifiques comme celles-ci. Mais alors que les scientifiques ont réussi à concevoir de nouveaux alliages métalliques, les polymères, comme le plastique utilisé pour les sacs, ont été beaucoup plus difficiles à concevoir.

Des chercheurs de la Pritzker School of Molecular Engineering (PME) de l'Université de Chicago ont trouvé une voie à suivre dans la conception de polymères en combinant modélisation et apprentissage automatique.

En construisant informatiquement près de 2, 000 polymères hypothétiques, ils ont pu créer une base de données suffisamment grande pour former un réseau de neurones (un type d'apprentissage automatique) afin de comprendre quelles propriétés des polymères découlent de différentes séquences moléculaires.

"Nous montrons que le problème est traitable, " dit Juan de Pablo, Liew Family Professor of Molecular Engineering qui a dirigé la recherche. "Maintenant que nous avons établi cette fondation et montré que cela peut être fait, nous pouvons vraiment aller de l'avant en utilisant ce cadre pour concevoir des polymères avec des propriétés spécifiques."

Les résultats ont été publiés le 21 octobre dans Avancées scientifiques .

Concevoir des polymères difficile en raison de longues chaînes d'atomes

Les polymères présentent amorphe, structures désordonnées qui ne peuvent pas être facilement définies en utilisant les techniques que les scientifiques ont développées pour étudier les métaux ou d'autres matériaux cristallins.

Les molécules de polymère sont constituées de grands réseaux d'atomes disposés en une très longue chaîne, comprenant parfois des millions de "monomères". Chaque molécule de polymère est différente. Non seulement la longueur est différente, mais l'ordre dans lequel les atomes sont disposés peut varier considérablement.

La longueur et la séquence ont une grande influence sur les propriétés d'une molécule polymère, et le nombre extraordinairement grand de combinaisons de longueurs et de séquences possibles est un défi central dans la conception de molécules avec des propriétés spécifiques. Les approches par essais et erreurs sont d'une utilité limitée et générer les données expérimentales nécessaires pour éclairer une stratégie de conception rationnelle serait très exigeant.

C'est là qu'intervient l'apprentissage automatique. Les chercheurs se sont attachés à répondre à la question :« Les algorithmes d'apprentissage automatique peuvent-ils ‘apprendre’ à prédire les propriétés des polymères en fonction de leur séquence, et, si c'est le cas, Quelle serait la taille d'un ensemble de données nécessaire pour entraîner les algorithmes sous-jacents ?"

Création d'une base de données pour apprendre les séquences de polymères

Pour créer la base de données, les chercheurs en ont utilisé près de 2, 000 polymères construits informatiquement, ayant tous des séquences différentes, et effectué des simulations moléculaires pour prédire leurs propriétés et leur comportement. Lorsqu'ils ont utilisé pour la première fois un réseau de neurones pour déterminer quelles propriétés étaient basées sur quelles séquences moléculaires, ils ne savaient pas s'ils trouveraient une réponse raisonnable.

"Nous ne savions pas combien de séquences polymères différentes étaient nécessaires pour apprendre le comportement des matériaux, " a déclaré de Pablo. " La réponse aurait pu être des millions. "

Heureusement, le réseau n'avait besoin que de moins de quelques centaines de séquences différentes pour apprendre les propriétés et prédire le comportement de séquences moléculaires complètement nouvelles. Cela signifiait que les expérimentateurs pouvaient désormais suivre une stratégie similaire et créer une base de données pour former un réseau d'apprentissage automatique pour prédire les propriétés des polymères sur la base de données expérimentales.

Cette, cependant, n'était que la moitié du problème. Prochain, les chercheurs devaient utiliser les informations apprises par le réseau neuronal pour concevoir de nouvelles molécules. Ils ont procédé ainsi et, pour la première fois, ont pu démontrer la capacité de spécifier une propriété souhaitée à partir d'une molécule de polymère et d'utiliser l'apprentissage automatique pour générer un ensemble de séquences qui conduiraient à ces propriétés.

Conception de polymères spécifiques

Bien que le système ait été formé pour ne comprendre qu'un certain type de polymère, les implications potentielles pourraient s'étendre à de nombreux types. Non seulement les entreprises pourraient concevoir des produits plus respectueux de l'environnement, ils pourraient également concevoir des polymères qui font exactement ce qu'ils veulent qu'ils fassent.

Les polymères sont couramment dissous dans des solvants pour peintures, produits de beauté, médicaments, solutions médicales, et les aliments pour contrôler l'écoulement des liquides, par exemple. Les polymères sont également utilisés dans un large éventail de technologies avancées, allant des applications aérospatiales au stockage d'énergie en passant par les appareils électroniques et biomédicaux. La conception de polymères de haute précision pour des applications spécifiques pourrait permettre aux entreprises de concevoir des matériaux de manière plus abordable, Plus facile, et de manière plus durable.

Prochain, le groupe de recherche espère impliquer des expérimentateurs dans le développement de certains des polymères qu'ils ont conçus et continuer à affiner leur système pour créer des polymères encore plus complexes. En s'appuyant sur des systèmes robotiques pour la synthèse et la caractérisation à haut débit de nouvelles molécules, ils espèrent étendre leur base de données pour inclure des données expérimentales.

"Nous pensons être à l'avant-garde dans ce domaine, " a déclaré de Pablo. " Au cours des deux à cinq prochaines années, vous allez voir des travaux très percutants sortir de ces efforts et de ceux d'autres groupes de recherche de l'Université de Chicago, au Laboratoire National d'Argonne, et partout dans le monde. Nous avons également noué de solides partenariats avec des collaborateurs industriels qui nous permettront d'accélérer le transfert de connaissances du monde universitaire au secteur commercial."