L'algorithme informatique de chimie fait plus avec moins de données expérimentales pour révéler la façon optimale de fabriquer des matériaux verts.

L'apprentissage automatique pourrait nous apprendre à rendre la fabrication de matériaux plus propre et plus durable en adoptant une vision holistique pour identifier la méthode de production la plus verte, suggèrent les chercheurs de la KAUST.

La quête de durabilité signifie que les scientifiques du monde entier développent des matériaux avancés pour aider à résoudre les problèmes, y compris la capture du carbone, le dessalement de l'eau et le stockage de l'énergie, dit Rifan Hardian, un post-doctorant dans le laboratoire de Gyorgy Szekely. « Bien que ces matériaux présentent des performances prometteuses, les matériaux eux-mêmes sont souvent produits de manière non durable, en utilisant des conditions difficiles, les solvants toxiques et les processus énergivores qui génèrent des déchets excessifs, créant potentiellement plus de problèmes environnementaux qu'ils n'en résolvent, " dit Hardian.

En collaboration avec Xiangliang Zhang et son équipe, Szekely et Hardian ont étudié une approche plus durable du développement de matériaux, appelé plan d'expériences (DoE). "Contrairement aux approches conventionnelles de l'optimisation des matériaux, qui varient un facteur à la fois, DoE est une approche systématique qui permet de faire varier simultanément plusieurs facteurs, " dit Hardian.

DoE autorise théoriquement des variables, telles que le choix du réactif et du solvant, temps de réaction et température de réaction - à optimiser en même temps. La procédure réduit le nombre d'expériences menées et identifie également potentiellement la façon la plus écologique possible de fabriquer un matériau. Cependant, il est difficile d'optimiser chaque variable pour identifier le meilleur protocole de réaction à partir de données expérimentales aussi rares. "C'est là qu'intervient l'apprentissage automatique, " dit Hardian.

L'apprentissage automatique est une forme d'intelligence artificielle qui peut apprendre des modèles à partir d'un nombre limité de points de données pour combler les blancs dans les données. "Par ici, on peut visualiser l'ensemble de l'espace expérimental et choisir la condition de réaction qui correspond le mieux aux résultats souhaités, " dit Hardian.

L'équipe a combiné le DoE et l'apprentissage automatique pour identifier une méthode durable de fabrication d'un matériau de structure organique métallique (MOF) populaire appelé ZIF-8. "ZIF-8 a un grand potentiel dans les applications, comme la séparation des gaz, catalyse, élimination des métaux lourds et assainissement de l'environnement, " dit Hardian. L'équipe a optimisé 10 variables dans la synthèse électrochimique de ZIF-8, l'identification d'un procédé à haut rendement qui utilisait l'eau comme solvant et générait un minimum de déchets. "Grâce à l'apprentissage automatique, nous avons développé une vision holistique des interactions des variables et identifié de nombreuses corrélations inattendues qui auraient pu être manquées si nous avions suivi une approche conventionnelle, " dit Hardian.

La prochaine étape sera d'appliquer le DoE et l'apprentissage automatique à la production de matériaux à grande échelle, dit Szekely. "Finalement, notre objectif est de transformer la vision futuriste d'un système de laboratoire autonome, qui peut fonctionner en continu et s'auto-optimiser les conditions de réaction, dans une réalité, " il dit.