美国南卡罗来纳大学和哥伦比亚大学的科学家们开发出了一种更快的方法来设计和制造气体过滤膜，可以减少温室气体排放，减少污染。

他们的新方法发表在今天的《Science Advances》杂志上，将机器学习与合成化学结合在一起，以更快地设计和开发新的气体分离膜。最近应用这种方法的实验结果是，新材料比其他已知的过滤膜能更好地分离气体。

南卡罗来纳大学化学教授Brian Benicewicz认为，这一发现可能会彻底改变新材料的设计和制造方式。

"它消除了预测工作和原有的试错工作，这是很无效的，"Benicewicz说。"你不需要制作数百种不同的材料并进行测试。现在你让机器来学习。它可以缩小你的搜索范围。"

塑料薄膜或膜通常被用来过滤气体。Benicewicz解释说，这些膜在选择性和渗透性之间存在着一种权衡，能让一种气体通过的材料不太可能阻止另一种气体的分子。"我们谈论的是一些真正的小分子，"Benicewicz说。"尺寸上的差异几乎是不可察觉的。如果你想要大的渗透性，你就不会得到大的选择性。"

Benicewicz和他在哥伦比亚大学的合作者想看看大数据是否能设计出更有效的膜。

哥伦比亚大学的团队创建了一种机器学习算法，分析了现有的用于分离二氧化碳与甲烷的膜的化学结构和效率。一旦该算法能够准确预测出特定膜的有效性，他们就把问题转了过来。什么样的化学结构才是理想的气体分离膜？

哥伦比亚大学化学工程学院的Sanat K. Kuma r教授将其比作Netflix推荐电影的方法。Netflix通过研究观众之前看过的电影和喜欢的内容，判断出观众的喜好，然后找到推荐的视频。他的算法分析了现有膜的化学结构，确定哪些结构会更有效。

计算机产生了一个100种假设材料的清单，这些材料可能会超过目前的限制。领导合成化学研究小组的Benicewicz确定了其中的两种拟议的结构，这些结构似乎是可以制造出来的。劳拉-穆尔多克（Laura Murdock）是南加州大学化学系的博士生，他将规定的聚合物制成了，并将其铸成薄膜。当测试这些薄膜时，它们的有效性接近于计算机的预测，并且远远超过了推测的极限。

"它们的性能非常好，比以前做的要好得多，"Murdock说。"而且相当容易。它具有商业化应用的潜力。"

分离二氧化碳和甲烷在天然气行业有直接的应用；必须从天然气中去除二氧化碳，以防止管道腐蚀。但Murdock表示，利用大数据去除猜测过程中的方法引出了另一个问题。"我们还能将机器学习应用到哪些高分子材料上，为各种应用创造出更好的材料？"

Benicewicz表示，机器学习可以帮助科学家们设计新的膜，将温室气体从煤中分离出来，从而帮助减少气候变化。

"因此，这项工作指向了一种新的材料设计方式，"Kumar说。"你不需要测试现有的所有材料，只需要寻找材料中最能满足你的需求的部分，无需测试所有针对特定应用的材料。当你把最好的材料结合在一起，那么你就有机会设计出更好的材料。"

论文标题为《Designing exceptional gas-separation polymer membranes using machine learning》。
来源：科技报告与资讯
文章来源：https://baijiahao.baidu.com/s?id=1666819491227933682&wfr=spider&for=pc