ENGINEERINGNET.BE - “Polymeren zijn grote moleculen die bestaan uit herhaalde eenheden, en die kunnen uit tientallen tot honderden atomen bestaan. Hoe ze precies gerangschikt zijn, bepaalt de eigenschappen van het polymeer,” aldus universitair hoofddocent Sid Kumar van TU Eindhoven.
"Zelfs met een kleine eenheid van 20 atomen krijg je al 1018 mogelijke combinaties. Het testen van elke optie zou meerdere mensenlevens duren, en zelfs computersimulaties kunnen niet efficiënt alle mogelijkheden doorzoeken."
Kumar en zijn team gebruikten daarom machine learning om uit die eindeloze mogelijkheden polymeren te vinden die de gewenste eigenschappen hebben. De onderzoekers ontwikkelden een geavanceerd algoritme dat met weinig data aan de slag kan om nieuwe polymeren te ontdekken.
Ook hebben ze ervoor gezorgd dat het algoritme begrijpelijk is, zodat wetenschappers beter kunnen samenwerken met de AI en begrijpen hoe die tot een resultaat komt.
“Moleculen betekenen niks voor een computer. Wij weten wat bisfenol A diglycidylether is, maar een computer heeft daar geen idee van, het kan geen numerieke waarde aan het molecuul hangen,” aldus Kumar.
“Door uitlegbaarheid in te bouwen, kunnen we steeds complexere problemen oplossen en het vertrouwen in de bruikbaarheid van de AI vergroten.”
Het team heeft hun algoritme getest op vitrimeren: recyclebare polymeren die zichzelf kunnen herstellen als ze worden verhit, dankzij hun unieke moleculaire bindingen.
Er zijn alleen nog niet veel commercieel beschikbare vitrimeren door het tekort aan geschikte moleculaire bouwstenen, wat hun zelfherstellende eigenschappen en bredere toepassingen in de weg zit.
Het team van Kumar stelde daarom een makkelijk haalbare doeltemperatuur voor zelfherstel vast en gebruikte hun algoritme om veelbelovende moleculaire kandidaten te vinden. Wat normaal gesproken jaren kan duren, of onmogelijk zou zijn gebleven, werd nu binnen enkele dagen bereikt.
Deze studie, uitgevoerd in samenwerking met de University of Washington en Microsoft, kent al praktische toepassingen. De vitrimeren zijn verwerkt in recyclebare printplaten, een innovatie die belangrijk kan zijn voor de hightech industrie.
De verwachting is dat recyclebare polymeren, door plastic producten langer mee te laten gaan en reparaties makkelijker te maken, de jaarlijkse productie van 430 miljoen ton plastic flink kunnen verminderen en economische verliezen door het vervangen van beschadigde onderdelen kunnen beperken.
De aanpak met machine learning is ook erg geschikt voor metalen. Kumar: “De eigenschappen van metalen hangen sterk af van hoe ze worden bewerkt, zoals hoe ze verhit, afgekoeld of vervormd worden. Met machine learning kunnen we ook die processen optimaliseren, zodat metalen duurzamer worden en beter te recyclen zijn. AI heeft op die manier een enorm potentieel om de circulariteit van materialen te verbeteren.”
