L'innovation mène souvent à de nouveaux produits, mais de nouvelles méthodes peuvent être tout aussi révolutionnaires.

C'est l'occasion d'aider à développer ces méthodes qui a attiré Soumil Joshi, doctorant en génie chimique, de son Mumbai natal, en Inde, vers Virginia Tech en 2019.

"C'est une excellente école, en particulier pour le domaine du génie chimique, et elle est vraiment réputée pour la recherche sur les polymères, ce que je suis reconnaissant de faire ici", a déclaré Joshi.

Et en mars, trois ans de travail ont conduit son nom à figurer comme premier auteur d'un article décrivant une nouvelle méthode de calcul pour travailler avec des polymères qui, avec son conseiller, le professeur adjoint Sanket Deshmukh, espère qu'elle conduira à des avancées biomédicales significatives.

L'article, intitulé "Dynamique moléculaire à gros grains intégrée au réseau de neurones convolutifs pour comparer les formes de goupillons sensibles à la température", détaille une méthode développée par le laboratoire Deshmukh, dont le co-auteur et chercheur invité Samrendra Singh, qui utilise l'intelligence artificielle pour analyser le façonner des matériaux mous complexes importants et prédire leurs comportements.

Il a été publié dans npj Computational Materials , une revue en libre accès de Nature , et promet non seulement de permettre de nouvelles découvertes dans les biomatériaux, mais met également en évidence l'importance croissante du big data, de l'intelligence artificielle et de la science informatique dans le génie chimique.

Ces innovations assistées par ordinateur sont essentielles pour progresser dans de nombreux domaines, a déclaré Deshmukh. "Il existe des problèmes scientifiques de longue date qui ne peuvent être résolus par les méthodes existantes, donc la résolution de problèmes et le développement de nouvelles méthodes vont de pair."

Les chercheurs ont développé leur méthode "d'apprentissage en profondeur" pour travailler avec ce qu'on appelle des "matériaux souples".

Dans l'apprentissage en profondeur, les systèmes d'intelligence artificielle sont formés pour reconnaître des modèles, travailler sur des problèmes et effectuer des tâches, avec ou sans supervision humaine. Les matériaux mous peuvent inclure des liquides, des polymères, des glycomatériaux, des mousses, des gels et la plupart des matériaux biologiques mous. Ils sont utilisés dans une large gamme de produits et d'applications, des dentifrices, lubrifiants et écrans à cristaux liquides aux systèmes d'administration de médicaments et aux échafaudages tissulaires. Mais les méthodes informatiques traditionnelles d'analyse et de prédiction de leurs comportements, en particulier des polymères, ont une utilité limitée, ce qui entrave les progrès dans leur développement.

Pour aider à briser ce blocage, les chercheurs ont travaillé avec un type de polymères ramifiés ressemblant à des arbres appelés "goupillons". Leur inspiration est venue des biomolécules, dont les différentes formes déterminent leurs fonctions. Les synthétiser en laboratoire pourrait conduire à de nouveaux traitements médicaux et à d'autres applications industrielles, a déclaré Deshmukh. Mais cela peut être difficile car les polymères changent rapidement de forme, en fonction de la température et d'autres facteurs. Sans un moyen efficace et précis d'analyser et de prévoir ces changements, il est difficile de créer des versions synthétiques.

Leur nouveau processus utilise un système d'apprentissage en profondeur bien connu appelé Convolutional Neural Network, ou CNN, pour identifier et prédire les similitudes de forme et de fonction dans les polymères, ce qui ne peut être fait sans l'aide d'un ordinateur.

Applying artificial intelligence to this polymer problem is "groundbreaking because it shows the potential of deep learning methods in the field of soft materials," Deshmukh said. "So, in principle, if we understand how the shapes are changing, then hopefully we can control them."

To prove their method would work, Joshi ran 100 unique CNN models, teaching the system to identify bottlebrushes with similar shapes. The project was challenging, not just because it required painstaking work to teach the model what data and features to look for in the polymers, but also because the researchers didn't immediately know what features were relevant. They had to figure that out first.

Developing the models took more than a year, Deshmukh said. "Singh and Joshi did a fantastic job in identifying the processing of the relevant data and then further refining it to make sure the CNN model gets the right information."

"Most of the initial brainstorming on what features to use was carried out by Dr. Singh and Dr. Deshmukh, which helped eliminate plenty of unfavorable options," Joshi said. "This helped us zero in on our current methodology, which I used to code and incorporate into our analysis algorithm."

The results have been very promising, Joshi said, and the team hopes to expand use of the technique into the growing field of glycomaterials—carbohydrate-based soft materials produced by every living organism.

These soft materials contain chains of sugars, called glycans, that play critical roles in health and disease. Of the four building blocks of life—glycans, proteins, lipids, and nucleic acids—glycans are the most complex and the most challenging to understand. But CNN could spur progress in this area.

"So, just like we created these bottlebrush structures for synthetic polymers, there are a lot of architectures that can be created using glycomaterials and polymers like these glycans," Deshmukh said.

"We plan to help our collaborators design new types of glycomaterials that can be used for biomedical applications," Deshmukh said. "It's really exciting."

This research also points to the growing importance of data science and machine learning in chemical engineering, department head Steven Wrenn said.

"It's important that our graduates know how to work with data scientists and use computer modeling in their own work," Wrenn said. "This training will make our students much more attractive to employers and graduate programs."

In fact, the department is working on a new computational and data science track of study, which, if approved, will train undergraduates to apply computer science to chemical engineering. Deshmukh is involved in developing the study track.

"Training a chemical engineer who is going to work in a chemical plant in data science and artificial intelligence makes them a real asset," Deshmukh said. "Because they are going to help solve problems in the chemical industry that can't really be solved using traditional methods." + Explorer plus loin

Novel machine learning based framework could lead to breakthroughs in material design