Il s'agit d'un diagramme de phase montrant les formations d'amas prédites par GA et leur validation (carrés). Crédit :Columbia Engineering
Chercheurs de Columbia Engineering, dirigé par les professeurs de génie chimique Venkat Venkatasubramanian et Sanat Kumar, ont développé une nouvelle approche pour concevoir de nouveaux matériaux nanostructurés grâce à un cadre de conception inverse utilisant des algorithmes génétiques. L'étude, publié dans l'édition Early Online du 28 octobre de Actes de l'Académie nationale des sciences ( PNAS ), est le premier à démontrer l'application de cette méthodologie à la conception de nanostructures auto-assemblées, et montre le potentiel des approches d'apprentissage automatique et de « big data » incarnées dans le nouvel Institut des sciences et de l'ingénierie des données à Columbia.
"Notre cadre peut aider à accélérer le processus de découverte de matériaux, " dit Venkatasubramanian, Samuel Ruben-Peter G. Viele Professeur d'ingénierie, et co-auteur de l'article. « Dans un sens, nous tirons parti de la façon dont la nature découvre de nouveaux matériaux - le modèle darwinien de l'évolution - en le mariant de manière appropriée avec des méthodes informatiques. C'est Darwin sous stéroïdes !"
En utilisant un algorithme génétique qu'ils ont développé, les chercheurs ont conçu des particules greffées d'ADN qui se sont auto-assemblées dans les structures cristallines qu'elles voulaient. C'était une façon « inverse » de faire de la recherche. Dans la recherche conventionnelle, les particules colloïdales greffées d'ADN simple brin peuvent s'auto-assembler, puis les structures cristallines résultantes sont examinées. « Bien que cette approche édisonienne soit utile pour comprendre a posteriori les facteurs qui régissent l'assemblage, " note Kumar, Président du département de génie chimique et co-auteur de l'étude, "il ne nous permet pas de concevoir a priori ces matériaux dans les structures souhaitées. Notre étude aborde ce problème de conception et présente une approche d'optimisation évolutive qui a non seulement été capable de reproduire le diagramme de phase original détaillant les régions de cristaux connus, mais aussi pour élucider des structures jusque-là inobservées."
Il s'agit d'une comparaison des paradigmes conventionnels et proposés. Crédit :Columbia Engineering
Les chercheurs utilisent des concepts et des techniques de « big data » pour découvrir et concevoir de nouveaux nanomatériaux - un domaine prioritaire dans le cadre de la Materials Genome Initiative de la Maison Blanche - en utilisant une méthodologie qui révolutionnera la conception de matériaux, impactant une large gamme de produits qui affectent notre vie quotidienne, des médicaments et des produits chimiques agricoles tels que les pesticides ou les herbicides aux additifs pour carburant, peintures et vernis, et même des produits de soins personnels tels que le shampooing.
"Cette approche de conception inverse démontre le potentiel des approches d'apprentissage automatique et d'ingénierie d'algorithmes pour résoudre des problèmes difficiles en science des matériaux, " dit Kathleen McKeown, directeur de l'Institute for Data Sciences and Engineering et Henry et Gertrude Rothschild professeur d'informatique. "À l'Institut, nous nous concentrons sur la mise au point de telles avancées dans un certain nombre de problèmes d'une grande importance pratique en ingénierie."
Venkatasubramanian ajoute, « Découvrir et concevoir de nouveaux matériaux et formulations avancés avec les propriétés souhaitées est un problème important et difficile, englobant une grande variété de produits dans les industries abordant l'énergie propre, la sécurité nationale, et le bien-être humain." Il souligne que l'approche traditionnelle de découverte par essais et erreurs edisonienne est longue et coûteuse - elle peut entraîner des retards importants dans le délai de mise sur le marché ainsi que manquer des solutions potentielles. Et le montant toujours croissant de données d'expérimentation à haut débit, alors qu'un défi majeur de modélisation et d'informatique, a également créé des opportunités pour la conception et la découverte de matériaux.
Les chercheurs se sont appuyés sur leurs travaux antérieurs pour développer ce qu'ils appellent un cadre évolutif pour la découverte automatisée de nouveaux matériaux. Venkatasubramanian a proposé le cadre de conception et analysé les résultats, et Kumar a développé le cadre dans le contexte des nanomatériaux auto-assemblés. Babji Srinivasan, un postdoc avec Venkatasubramanian et Kumar et maintenant professeur assistant à l'IIT Gandhinagar, et Thi Vo, un doctorant à Columbia Engineering, effectué la recherche informatique. L'équipe a collaboré avec Oleg Gang et Yugang Zhang du Brookhaven National Laboratory, qui a réalisé les expériences annexes.
L'équipe prévoit de continuer à explorer l'espace de conception des nanostructures colloïdales potentielles greffées d'ADNsb, l'amélioration de ses modèles avancés, et apporter des techniques d'apprentissage automatique plus avancées. "Nous avons besoin d'un nouveau paradigme qui augmente le flux d'idées, élargit l'horizon de recherche, et archive les connaissances des réussites d'aujourd'hui pour accélérer celles de demain, " dit Venkatasubramanian.
