Mit KI die Polymere der Zukunft finden

Nylon, Teflon, Kevlar. Dies sind nur einige bekannte Polymere – chemische Verbindungen mit großen Molekülen – die die Welt verändert haben. Von teflonbeschichteten Bratpfannen bis hin zum 3D-Druck sind Polymere von entscheidender Bedeutung für die Schaffung von Systemen, die die Welt besser funktionieren lassen.

Die Entdeckung des nächsten bahnbrechenden Polymers ist immer eine Herausforderung, doch jetzt nutzen Forscher des Georgia Institute of Technology künstliche Intelligenz (KI), um die Zukunft dieses Forschungsgebiets zu gestalten und zu verändern. Rampi Ramprasads Gruppe entwickelt und passt KI-Algorithmen an, um die Materialentdeckung zu beschleunigen.

In diesem Sommer erschienen zwei Artikel im Natur Die Zeitschriftenfamilie beleuchtet die bedeutenden Fortschritte und Erfolgsgeschichten, die aus jahrelanger KI-gestützter Polymerinformatikforschung hervorgegangen sind.

Das erste, vorgestellt in Nature Reviews-Materialienpräsentiert aktuelle Durchbrüche im Polymerdesign in kritischen und zeitgenössischen Anwendungsbereichen: Energiespeicherung, Filtertechnologien und recycelbare Kunststoffe. Der zweite, erschienen in Naturkommunikationkonzentriert sich auf die Verwendung von KI-Algorithmen, um eine Unterklasse von Polymeren für die elektrostatische Energiespeicherung zu entdecken, wobei die entworfenen Materialien einer erfolgreichen Laborsynthese und Prüfung unterzogen werden.

„In den Anfängen der künstlichen Intelligenz in der Materialwissenschaft, die vor über einem Jahrzehnt durch die Materials Genome Initiative des Weißen Hauses vorangetrieben wurde, war die Forschung auf diesem Gebiet weitgehend von Neugier getrieben“, sagte Ramprasad, Professor an der School of Materials Science and Engineering.

„Erst in den letzten Jahren haben wir begonnen, greifbare, reale Erfolgsgeschichten in der KI-gesteuerten beschleunigten Polymerforschung zu sehen. Diese Erfolge inspirieren jetzt bedeutende Veränderungen in der industriellen Materialforschungs- und -entwicklungslandschaft. Das ist es, was diese Überprüfung so bedeutsam und aktuell macht.“

KI-Chancen

Ramprasads Team hat bahnbrechende Algorithmen entwickelt, die Polymereigenschaften und -formulierungen sofort vorhersagen können, bevor sie physisch hergestellt werden. Der Prozess beginnt mit der Definition anwendungsspezifischer Zieleigenschafts- oder Leistungskriterien.

Modelle für maschinelles Lernen (ML) werden anhand vorhandener Daten zu Materialeigenschaften trainiert, um diese gewünschten Ergebnisse vorherzusagen. Darüber hinaus kann das Team neue Polymere erzeugen, deren Eigenschaften mit ML-Modellen prognostiziert werden.

Die besten Kandidaten, die die Zieleigenschaften erfüllen, werden dann für die Validierung in der Praxis durch Synthese und Tests im Labor ausgewählt. Die Ergebnisse dieser neuen Experimente werden in die Originaldaten integriert, wodurch die Vorhersagemodelle in einem kontinuierlichen, iterativen Prozess weiter verfeinert werden.

Während KI die Entdeckung neuer Polymere beschleunigen kann, bringt sie auch einzigartige Herausforderungen mit sich. Die Genauigkeit von KI-Vorhersagen hängt von der Verfügbarkeit reichhaltiger, vielfältiger und umfangreicher Ausgangsdatensätze ab, weshalb qualitativ hochwertige Daten von größter Bedeutung sind. Darüber hinaus ist die Entwicklung von Algorithmen zur Erzeugung chemisch realistischer und synthetisierbarer Polymere eine komplexe Aufgabe.

Nachdem die Algorithmen ihre Vorhersagen getroffen haben, beginnt die wahre Herausforderung: Es gilt zu beweisen, dass die entworfenen Materialien im Labor hergestellt werden können und wie erwartet funktionieren. Anschließend gilt es, ihre Skalierbarkeit über das Labor hinaus für den Einsatz in der realen Welt zu demonstrieren.

Ramprasads Gruppe entwirft diese Materialien, während ihre Herstellung, Verarbeitung und Prüfung von Mitarbeitern verschiedener Institutionen durchgeführt werden, darunter Georgia Tech. Professor Ryan Lively von der School of Chemical and Biomolecular Engineering arbeitet häufig mit Ramprasads Gruppe zusammen und ist Mitautor des in Nature Reviews-Materialien.

„In unserer täglichen Forschung nutzen wir in großem Umfang die maschinellen Lernmodelle, die Rampis Team entwickelt hat“, sagte Lively.

„Diese Tools beschleunigen unsere Arbeit und ermöglichen es uns, neue Ideen schnell zu erkunden. Dies verkörpert das Versprechen von ML und KI, da wir modellgestützte Entscheidungen treffen können, bevor wir Zeit und Ressourcen investieren, um die Konzepte im Labor zu erkunden.“

Durch den Einsatz künstlicher Intelligenz haben Ramprasads Team und seine Mitarbeiter bedeutende Fortschritte in so unterschiedlichen Bereichen erzielt, darunter Energiespeicherung, Filtertechnologien, additive Fertigung und recycelbare Materialien.

Polymerfortschritt

Ein bemerkenswerter Erfolg, beschrieben in der Naturkommunikation In seinem Papier geht es um die Entwicklung neuer Polymere für Kondensatoren, die elektrostatische Energie speichern. Diese Geräte sind unter anderem wichtige Komponenten in Elektro- und Hybridfahrzeugen. Ramprasads Gruppe arbeitete mit Forschern der University of Connecticut zusammen.

Aktuelle Kondensatorpolymere bieten entweder eine hohe Energiedichte oder thermische Stabilität, aber nicht beides. Durch den Einsatz von KI-Tools stellten die Forscher fest, dass Isoliermaterialien aus Polynorbornen- und Polyimidpolymeren gleichzeitig eine hohe Energiedichte und hohe thermische Stabilität erreichen können.

Die Polymere können weiter verbessert werden, um in anspruchsvollen Umgebungen, wie beispielsweise in der Luft- und Raumfahrt, zu funktionieren und gleichzeitig die Umweltverträglichkeit zu wahren.

„Die neue Klasse von Polymeren mit hoher Energiedichte und hoher thermischer Stabilität ist eines der konkretesten Beispiele dafür, wie KI die Materialentdeckung unterstützen kann“, sagte Ramprasad. „Sie ist auch das Ergebnis jahrelanger interdisziplinärer Zusammenarbeit mit Greg Sotzing und Yang Cao an der University of Connecticut und nachhaltiger Förderung durch das Office of Naval Research.“

Branchenpotenzial

Das Potenzial für die praktische Umsetzung der KI-gestützten Materialentwicklung wird durch die Beteiligung der Industrie an der Nature Reviews-Materialien Artikel. Zu den Co-Autoren dieses Artikels gehören auch Wissenschaftler vom Toyota Research Institute und von General Electric.

Um die Einführung der KI-gesteuerten Materialentwicklung in der Industrie weiter zu beschleunigen, war Ramprasad Mitbegründer von Matmerize Incein Software-Startup-Unternehmen, das kürzlich aus Georgia Tech ausgegliedert wurde. Ihre Cloud-basierte Polymerinformatik-Software wird bereits von Unternehmen in verschiedenen Branchen eingesetzt, darunter Energie, Elektronik, Konsumgüter, chemische Verarbeitung und nachhaltige Materialien.

„Matmerize hat unsere Forschung in eine robuste, vielseitige und industriereife Lösung verwandelt, die es Benutzern ermöglicht, Materialien virtuell mit verbesserter Effizienz und reduzierten Kosten zu entwerfen“, sagte Ramprasad.

„Was als Neugier begann, hat deutlich an Dynamik gewonnen und wir betreten eine aufregende neue Ära der Materialgestaltung.“