DOI: https://doi.org/10.1038/s41565-024-01635-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38499859
تاريخ النشر: 2024-03-18
المؤلف: Tianle Chen وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
في هذا القسم، يستنتج المؤلفون أنهم قد طوروا بنجاح منصة تصميم مبتكرة تدمج الروبوتات الآلية، وتعلم الآلة (ML)، والتجارب في المختبرات الرطبة، وأدوات المحاكاة لإنشاء مكتبة من النانو مركبات الطبيعية بالكامل التي تهدف إلى أن تكون بدائل للبلاستيك القابل للتحلل. تعرض هذه النانو مركبات خصائص بصرية قابلة للبرمجة، ومقاومة للحريق، وخصائص ميكانيكية، ويعزز سير العمل المدمج للـ ML/الروبوتات تحسين المواد متعددة الوظائف القابلة للتطبيق عبر مجالات علوم النانو المختلفة، مثل أجهزة الاستشعار اللمسية، الموصلات القابلة للتمدد، الإلكتروليتات الكهروكيميائية، والهلامات العازلة حرارياً.
ومع ذلك، يحدد المؤلفون عدة تحديات وقيود ضمن هذا سير العمل المدمج للذكاء الاصطناعي/تعلم الآلة. ومن الجدير بالذكر أن أنظمة الروبوتات التعاونية الحالية لا يمكنها أتمتة عمليات التحضير والتوصيف للنانو مركبات الطبيعية بالكامل، مما يتطلب تدخلًا يدويًا. بالإضافة إلى ذلك، فإن التباين في جودة الكتل البنائية الطبيعية يمثل تحديًا كبيرًا، مما يبرز الحاجة إلى رقابة صارمة على الجودة، خاصة للإنتاج على نطاق واسع. كما يؤكد المؤلفون على أهمية دمج دمج البيانات مع تحليلات التكلفة ودورة الحياة في النموذج لتحديد البدائل المثلى التي توازن بين الخصائص المرغوبة والجدوى الاقتصادية والأثر البيئي. وأخيرًا، يشيرون إلى أن معالجة نهاية العمر لهذه البدائل القابلة للتحلل لم يتم تناولها بعد، مما قد يسمح بتحويلها إلى وقود حيوي أو مواد كيميائية قيمة أخرى.
طرق
في هذه الدراسة، تم تحليل مجموعات الوظائف السطحية للنانو مركبات الطبيعية باستخدام مطياف الأشعة تحت الحمراء بتحويل فورييه (FT-IR)، مع استخدام جهاز Thermo Nicolet NEXUS 670. تتيح هذه الطريقة تحديد الروابط الكيميائية المختلفة ومجموعات الوظائف الموجودة في النانو مركبات، مما يوفر رؤى حول خصائصها الهيكلية والكيميائية. إن توصيف هذه المجموعات السطحية أمر حاسم لفهم التفاعلات والتطبيقات المحتملة للنانو مركبات في مجالات مختلفة.
مناقشة
في هذه الدراسة، تم تطوير إطار عمل للذكاء الاصطناعي/تعلم الآلة لتحسين تصميم بدائل البلاستيك القابل للتحلل، مع التركيز بشكل خاص على أفلام النانو مركبات المصنوعة من المونتموريلونيت (MMT)، وألياف السليلوز النانوية (CNF)، والجيلاتين، والجلسرين. تضمنت العملية ثلاث خطوات رئيسية: تحديد مساحة التصميم، التعلم النشط، وزيادة البيانات في السيليكو. في البداية، أعد روبوت OT-2 286 مزيجًا من المكونات، والتي تم تصنيفها بعد ذلك بناءً على خصائص أفلامها إلى أربع درجات. تم تدريب مصنف آلة الدعم الشعاعي (SVM) للتنبؤ بنسب المكونات المثلى التي ستنتج أفلامًا عالية الجودة، محققًا معدل نجاح يزيد عن 94% للأفلام من الدرجة A. أدى ذلك إلى إنشاء مساحة تصميم قابلة للتطبيق تشمل حوالي 48% من إجمالي مساحة التركيب.
استخدم بناء النموذج حلقات التعلم النشط لتحسين التنبؤات وتعزيز مجموعة البيانات بنقاط بيانات حقيقية وافتراضية، مما أسفر عن حوالي 140,000 نقطة بيانات. أظهر نموذج الشبكة العصبية الاصطناعية (ANN) دقة عالية في التنبؤ بالعديد من الخصائص الفيزيائية الكيميائية، محققًا خطأ نسبي متوسط (MRE) يبلغ حوالي 17%. تم التحقق من قدرات النموذج التنبؤية من خلال محاكاة الديناميات الجزيئية وتحليلات الحساسية، والتي كشفت عن التأثير الكبير لنسب المكونات والخصائص على خصائص النانو مركبات. بالإضافة إلى ذلك، تم توسيع الإطار ليشمل الكيتوزان، مما يعزز نطاق الخصائص والتطبيقات للبدائل القابلة للتحلل. في النهاية، سهلت الطريقة المدمجة للروبوتات والذكاء الاصطناعي/تعلم الآلة الاكتشاف السريع وتحسين المواد الصديقة للبيئة، مما يبرز الإمكانية لاستبدال البلاستيك التقليدي ببدائل مستدامة.
DOI: https://doi.org/10.1038/s41565-024-01635-z
PMID: https://pubmed.ncbi.nlm.nih.gov/38499859
Publication Date: 2024-03-18
Author(s): Tianle Chen et al.
Primary Topic: Machine Learning in Materials Science
Overview
In this section, the authors conclude that they have successfully developed an innovative design platform that integrates automated robotics, machine learning (ML), wet-lab experiments, and simulation tools to create a library of all-natural nanocomposites intended as biodegradable plastic substitutes. These nanocomposites exhibit programmable optical, fire-resistant, and mechanical properties, and the ML/robotics-integrated workflow enhances the optimization of multi-functional materials applicable across various nanoscience domains, such as tactile sensors, stretchable conductors, electrochemical electrolytes, and thermal insulative aerogels.
However, the authors identify several challenges and limitations within this AI/ML-integrated workflow. Notably, existing collaborative robotics systems cannot fully automate the preparation and characterization processes for all-natural nanocomposites, necessitating manual intervention. Additionally, variability in the quality of natural building blocks poses a significant challenge, underscoring the need for stringent quality control, particularly for large-scale production. The authors also emphasize the importance of incorporating data fusion with cost and life cycle analyses into the model to identify optimal substitutes that balance desired properties with cost-effectiveness and environmental impact. Lastly, they point out that the end-of-life processing of these biodegradable substitutes has not yet been addressed, which could potentially allow for their conversion into biofuels or other valuable chemicals.
Methods
In this study, the surface functional groups of the natural nanocomposites were analyzed using Fourier Transform Infrared Spectroscopy (FT-IR), specifically employing the Thermo Nicolet NEXUS 670 instrument. This method allows for the identification of various chemical bonds and functional groups present in the nanocomposites, providing insights into their structural and chemical properties. The characterization of these surface groups is crucial for understanding the interactions and potential applications of the nanocomposites in various fields.
Discussion
In this study, an AI/ML framework was developed to optimize the design of biodegradable plastic substitutes, specifically focusing on nanocomposite films made from montmorillonite (MMT), cellulose nanofibers (CNF), gelatin, and glycerol. The process involved three key steps: defining the design space, active learning, and in silico data augmentation. Initially, an OT-2 robot prepared 286 mixtures of the components, which were then categorized based on their film properties into four grades. A support vector machine (SVM) classifier was trained to predict optimal component ratios that would yield high-quality films, achieving a success rate of over 94% for A-grade films. This led to the establishment of a feasible design space encompassing approximately 48% of the total compositional space.
The model construction utilized active learning loops to refine predictions and enhance the dataset with both real and virtual data points, resulting in a total of around 140,000 data points. The artificial neural network (ANN) model demonstrated high accuracy in predicting multiple physicochemical properties, achieving a mean relative error (MRE) of about 17%. The model’s predictive capabilities were further validated through molecular dynamics simulations and sensitivity analyses, which revealed the significant influence of component ratios and attributes on the properties of the nanocomposites. Additionally, the framework was expanded to include chitosan, enhancing the range of properties and applications for the biodegradable substitutes. Ultimately, the integrated robotics and AI/ML approach facilitated the rapid discovery and optimization of eco-friendly materials, showcasing the potential for replacing conventional plastics with sustainable alternatives.