Mithilfe der Vorhersagekraft haben Maschinenbauingenieure der University of Wisconsin-Madison aus einem Feld von 8 Millionen Kandidaten schnell mehrere vielversprechende Hochleistungspolymere entdeckt.
Die Luft- und Raumfahrt-, Automobil- und Elektronikindustrie nutzen diese Polymere, sogenannte Polyimide, für eine Vielzahl von Anwendungen, da sie hervorragende mechanische und thermische Eigenschaften aufweisen – einschließlich Festigkeit, Steifigkeit und Hitzebeständigkeit.
Derzeit gibt es nur eine begrenzte Anzahl vorhandener Polyimide, da der Prozess ihrer Entwicklung kostspielig und zeitaufwändig ist.
Mit ihrem datengesteuerten Design-Framework nutzen die UW-Madison-Ingenieure jedoch Vorhersagen des maschinellen Lernens und Molekulardynamiksimulationen, um die Entdeckung neuer Polyimide mit noch besseren Eigenschaften erheblich zu beschleunigen.
Das Team erläuterte seinen Ansatz in einem Artikel, der diesen Monat in der veröffentlicht wurde Zeitschrift für Chemieingenieurwesen.
„Unsere Ergebnisse haben weitreichende Auswirkungen auf den Bereich der Materialwissenschaften und werden weitere Forschungen zur Entwicklung fortschrittlicher datengesteuerter Techniken zur Materialentdeckung inspirieren“, sagt Ying Li, außerordentlicher Professor für Maschinenbau an der UW-Madison, der die Forschung leitete. „Unsere Designstrategie ist im Vergleich zum herkömmlichen Trial-and-Error-Verfahren deutlich effizienter und lässt sich auch auf das molekulare Design anderer Polymermaterialien anwenden.“
Polyimide werden durch eine Kondensationsreaktion von Dianhydrid- und Diamin/Diisocyanat-Molekülen hergestellt. Für ihre Studie sammelten die Ingenieure zunächst Open-Source-Daten der chemischen Strukturen aller existierenden Dianhydrid- und Diamin/Diisocyanat-Moleküle und nutzten diese Daten dann, um eine umfassende Bibliothek von 8 Millionen hypothetischen Polyimiden aufzubauen.
„Es ist so, als würde man etwas mit LEGO-Steinen bauen“, sagt Li. „Sie haben die Grundbausteine – eine ganze Reihe verschiedener Dianhydrid- und Diamin-/Diisocyanat-Moleküle. Und Sie könnten versuchen, alle möglichen Strukturen von Hand zu bauen, aber das würde ewig dauern, weil die verschiedenen Kombinationen enorm sind.“
Also verwendeten Li und seine Kollegen einen Computer, um die Bausteine miteinander zu kombinieren, was es ihnen ermöglichte, alle möglichen Kombinationen in einer riesigen Datenbank zu organisieren.
Mithilfe der Datenbank erstellte das Team mehrere maschinelle Lernmodelle für die thermischen und mechanischen Eigenschaften von Polyimiden auf der Grundlage experimentell ermittelter Werte. Mithilfe verschiedener Techniken des maschinellen Lernens identifizierten die Forscher chemische Unterstrukturen, die für die Bestimmung individueller Eigenschaften am wichtigsten sind.
„Wir haben Techniken integriert, die im Wesentlichen erklären, wie sich unser Modell für maschinelles Lernen verhält, sodass unser Modell keine Blackbox ist“, sagt Li. „Wir haben eine transparente Box gebaut, die es menschlichen Experten ermöglicht, sofort zu verstehen, warum das maschinelle Lernmodell eine bestimmte Entscheidung getroffen hat.“
Mithilfe ihrer gut trainierten Modelle für maschinelles Lernen erhielten die Forscher Vorhersagen für die Eigenschaften der 8 Millionen hypothetischen Polyimide. Dann durchsuchten sie den gesamten Datensatz und identifizierten die drei besten hypothetischen Polyimide mit kombinierten Eigenschaften, die denen bestehender Polyimide überlegen sind.
Sie überprüften auch ihre Arbeit: Die Forscher erstellten Ganzatommodelle für ihre drei besten Kandidaten und führten Molekulardynamiksimulationen durch, um eine wichtige thermische Eigenschaft zu berechnen.
„Die Molekulardynamiksimulationen stimmten gut mit den Vorhersagen der maschinellen Lernmodelle überein, sodass wir zuversichtlich sind, dass unsere Vorhersagen recht zuverlässig sind“, sagt Li. „Außerdem zeigten die Simulationen, dass diese neuen Polyimide leicht zu synthetisieren wären.“
Als abschließende Validierungsmethode stellte das Team eines der neuen Polyimide her und führte Experimente durch, die die hervorragende Hitzebeständigkeit des Materials demonstrierten. Ihre experimentellen Ergebnisse zeigten, dass das neue Polyimid einer Temperatur von etwa 1.022 Grad Fahrenheit standhalten konnte, bevor es zu zerfallen begann – ein Ergebnis, das mit ihren Vorhersagen des maschinellen Lernens übereinstimmte.
Im Gegensatz dazu konnten bestehende Polyimide nur Temperaturen im Bereich von 392 bis 572 Grad Fahrenheit aushalten. Die Forscher erstellten außerdem eine webbasierte Anwendung, die es Benutzern ermöglicht, die neuen leistungsstarken Polyimide mit interaktiver Visualisierung zu erkunden.
Mehr Informationen:
Lei Tao et al., Entdeckung multifunktionaler Polyimide durch Hochdurchsatz-Screening mit erklärbarem maschinellem Lernen, Zeitschrift für Chemieingenieurwesen (2023). DOI: 10.1016/j.cej.2023.142949