غشاهای پلیمری معمولاً در صنعت برای جداسازی گازهایی مانند CO2 از گاز دودکش و متان از گاز طبیعی استفاده می‌شوند. در طول چندین دهه، محققان پلیمرهای مختلف را برای بهبود نفوذپذیری و مفید بودن آنها مطالعه کرده‌اند، اما وقتی نوبت به آزمایش همه آنها به شیوه‌ای سریع و کارآمد می‌رسد، با موانعی روبرو شده‌اند. در انتشارات اخیر در Science Advances محققان روش جدیدی را برای استفاده از یادگیری ماشین (ML) برای آزمایش و کشف غشاهای پلیمری جدید پیدا کرده‌اند.
نویسندگان در مورد رویکرد کنونی ادیسونی به طراحی غشاء خاطرنشان می‌کنند: «در دهه‌های توسعه فناوری در زمینه علم غشاء، طراحی مواد غشایی جدید عمدتاً یک فرآیند آزمون و خطا بوده و هست که توسط آن هدایت می‌شود. تجربه و شهود رویکردهای کنونی معمولاً شامل تنظیم گروه‌های شیمیایی برای افزایش میل ترکیبی و حلالیت به سمت گاز مورد نظر یا ترکیب حجم آزاد بیشتر برای افزایش انتشار کلی است.
به عنوان یک روش جایگزین برای آزمایش های خسته کننده، می توان از مدل های محاسباتی برای پیش بینی عملکرد غشاء استفاده کرد. با این حال، آنها یا بسیار گران هستند، یا دقت پایین ناشی از تقریب های ساده شده. برای رفع این نقص، تیم روشی دقیق برای شناسایی پلیمرهای جدید و با کارایی بالا با استفاده از روش‌های ML ایجاد کرد.
این تیم با استفاده از چندین ویژگی اثر انگشت و توصیفگرهای شیمیایی ثابت، از یادگیری عمیق بر روی یک مجموعه داده کوچک برای پیوند دادن شیمی غشاء به عملکرد غشا استفاده کردند. به طور سنتی، مدل‌های RF بهترین عملکرد را روی مجموعه داده‌های کوچک دارند، اما تیم دریافتند که شبکه‌های عصبی عمیق به دلیل استفاده از مجموعه‌بندی، که پیش‌بینی از چندین مدل را ترکیب می‌کند، به خوبی کار می‌کنند.
علاوه بر این، تیم دریافتند که مدل ML قادر به کشف هزاران پلیمر با عملکرد پیش‌بینی‌شده بیش از حد بالایی رابسون است، که استانداردی است که برای تعریف تراوایی و انتخاب‌پذیری برای غشاهای جداسازی گاز پلیمری استفاده می‌شود. علاوه بر این، پلیمرهای کشف‌شده با نفوذپذیری فوق‌العاده به صنعت اجازه می‌دهد تا جداسازی گاز را با توان بالاتر انجام دهد و در عین حال سطح انتخاب‌پذیری بالایی را حفظ کند.
محققان به طور خلاصه می‌گویند: “در نهایت، ما بسیاری از نامزدهای پلیمری با کارایی بالا و ویژگی‌های شیمیایی کلیدی را در اختیار جامعه طراحی غشایی قرار می‌دهیم که هنگام طراحی ساختارهای مولکولی آنها در نظر گرفته شود. درس‌هایی از جریان کار نشان‌داده‌شده در این مطالعه احتمالاً می‌تواند به‌عنوان راهنمایی برای مواد دیگر باشد.با بهبود مستمر تکنیک‌های ML و افزایش قدرت محاسباتی، انتظار داریم که چارچوب‌های طراحی به کمک ML تنها محبوبیت پیدا کنند و نتایج قابل توجهی را در کشف مواد برای طیف وسیعی از کاربردها ارائه می دهد.”
