Исследование машинного обучения дает представление о потенциале энергосбережения молекулярных клеток

Наноразмерные клетки могли бы сыграть важную роль в минимизации энергопотребления в науке и промышленности, и исследования в области машинного обучения в Университете штата Орегон (OSU) направлены на ускорение развертывания этих невероятных молекул.

Молекулярная клетка. (Фото предоставлено: Университет штата Орегон)

Молекулы пористой органической клетки, которые изучают исследователи из ОГУ, способны избирательно захватывать молекулы газа, что потенциально позволяет значительно экономить энергию в бесчисленных газовых сепараторах, проводимых в химической промышленности.

«Эти пористые молекулярные твердые вещества похожи на губки, которые разборчиво впитывают газы» – сказал Кори Саймон, доцент кафедры химической инженерии и соответствующий автор исследования, опубликованного в ACS Central Science .

Разделение наряду с очисткой химических смесей составляет более 10% мирового потребления энергии.

Молекулы пористой клетки обладают наноразмерными полостями, присущими их структуре, и молекулы газа притягиваются к этим полостям и захватываются ими посредством адсорбции.

«Но каждая клетка адсорбирует определенные газы легче, чем другие, и это свойство потенциально делает клетки полезными для более эффективного разделения газовых смесей», – сказал Саймон

.

Тем не менее, существует множество таких клеточных молекул, которые можно было бы синтезировать – для получения хотя бы одной из них и изучения ее свойств в лаборатории требуется несколько месяцев – и в промышленности необходимо множество различных химических разделений; отсюда необходимость вычислительного метода, чтобы отсортировать возможности и найти лучшую молекулу для поставленной задачи.

Саймон манипулировал идеей, что форма любой конкретной полости отвечает за то, какие молекулы газа она привлекает наиболее свободно.

Саймон и его ученики Арни Стурлусон, Мелани Хьюнх и Артур Йорк применили «неконтролируемую» технику машинного обучения, чтобы классифицировать и группировать молекулы клетки в соответствии с их формой полости и, таким образом, адсорбционными свойствами.

Под наблюдением подразумевается, что компьютер узнал об отношениях формы / свойства независимо; ему не было предоставлено никаких ярлыков для инструктажа.

«Просто покажите данные алгоритму, и он автоматически найдет шаблоны – структуру – в данных», – сказал Саймон.

Ученые использовали обучающий набор данных из 74 экспериментально синтезированных пористых молекул органической клетки, каждая из которых была компьютерно сканирована, в результате получилось трехмерное изображение «пористости», каждое из которых напоминало изображение, полученное с помощью КТ-сканирования.

На основе этих трехмерных изображений мы черпали вдохновение из алгоритма распознавания лиц, собственных лиц, для группировки клеток с полостями одинаковой формы . Используя разложение по сингулярным числам, мы закодировали трехмерные изображения клеток в векторы меньшего размера.

Кори Саймон, соавтор исследования и доцент кафедры химической инженерии, ОГУ

Саймон объясняет метод, используя сравнение лиц людей.

« Представьте, что вы были вынуждены отобразить лицо каждого на точку на двумерном графике рассеяния, сохранив при этом как можно больше информации о лицах», – сказал он . «Таким образом, каждая грань описывается всего двумя числами, а похожие лица сгруппированы рядом на диаграмме рассеяния. По сути, разложение по сингулярным числам выполняло это кодирование, но для пористых молекул клетки ».

Исследование показало, что изученное кодирование фиксирует характерные характеристики полостей пористых клеток и может оценивать свойства клеток, которые относятся к форме полости.

Наши методы могут применяться для изучения скрытых представлений о полостях в других классах пористых материалов и о формах молекул в целом.

Кори Саймон, соавтор исследования и доцент кафедры химической инженерии, ОГУ

Source link