Les membranes polymères sont couramment utilisées dans l'industrie pour la séparation de gaz comme le CO₂ provenant des gaz de combustion et du méthane provenant du gaz naturel. Depuis plusieurs décennies, les chercheurs étudient divers polymères pour améliorer leur perméabilité et leur utilité, mais se heurtent à un obstacle lorsqu'il s'agit de les tester tous de manière rapide et efficace. Dans une publication récente dans Science Advances , UConn Professeur adjoint de génie mécanique Ying Li, Université du Connecticut (UConn) Professeur centenaire de génie chimique et biomoléculaire Jeff McCutcheon; chercheurs UConn Lei Tao, Jinlong He; et le chercheur Jason Yang du California Institute of Technology ont trouvé une nouvelle façon innovante d'utiliser l'apprentissage automatique (ML) pour tester et découvrir de nouvelles membranes polymères.

Au cours de leurs recherches, les auteurs remarquent l'approche actuellement edisonienne de la conception des membranes :"Au cours des décennies de développement technologique dans le domaine de la science des membranes, la conception de nouveaux matériaux membranaires a été, et reste, un processus en grande partie d'essais et d'erreurs, guidé par expérience et intuition. Les approches actuelles impliquent généralement d'ajuster les groupes chimiques pour augmenter l'affinité et la solubilité vis-à-vis du gaz souhaité ou d'incorporer un plus grand volume libre pour augmenter la diffusivité globale."

Comme méthode alternative aux expériences fastidieuses, des modèles informatiques peuvent être utilisés pour prédire les performances de la membrane. Cependant, ils sont soit trop chers, soit peu précis en raison des approximations simplifiées. Pour remédier à cette lacune, l'équipe a développé un moyen précis d'identifier de nouveaux polymères hautes performances à l'aide de méthodes ML.

À l'aide de plusieurs caractéristiques d'empreintes digitales et de descripteurs chimiques fixes, l'équipe a utilisé l'apprentissage en profondeur sur un petit ensemble de données pour lier la chimie de la membrane aux performances de la membrane. Traditionnellement, les modèles RF (Random Forest) sont connus pour fonctionner mieux sur de petits ensembles de données, mais l'équipe a découvert que les réseaux de neurones profonds fonctionnaient bien en raison de l'utilisation de l'assemblage, qui combine la prédiction de plusieurs modèles.

En outre, l'équipe a découvert que le modèle ML était capable de découvrir des milliers de polymères dont les performances devraient dépasser la limite supérieure Robeson, qui est une norme utilisée pour définir le compromis de perméabilité et de sélectivité pour les membranes polymères de séparation des gaz. De plus, la découverte de polymères à très haute perméabilité permettrait à l'industrie d'effectuer des séparations de gaz avec un débit plus élevé, tout en maintenant un haut niveau de sélectivité.

Les chercheurs résument :« En fin de compte, nous fournissons à la communauté de conception de membranes de nombreux nouveaux candidats polymères hautes performances et des caractéristiques chimiques clés à prendre en compte lors de la conception de leurs structures moléculaires. Les leçons tirées du flux de travail démontré dans cette étude peuvent probablement servir de guide pour d'autres matériaux. les tâches de découverte et de conception, telles que les membranes polymères pour le dessalement et le traitement de l'eau, les piles à combustible à haute température et la catalyse.Avec l'amélioration continue des techniques de ML et l'augmentation de la puissance de calcul, nous nous attendons à ce que les cadres de conception assistée par ML ne fassent que gagner en popularité et fournir des résultats de plus en plus substantiels dans la découverte de matériaux pour un large éventail d'applications." + Explorer plus loin

La nouvelle technologie de membrane polymère améliore l'efficacité de la capture du dioxyde de carbone