作者:李腾等 来源:《自然-纳米技术》 发布时间:2024/3/19 11:38:35
选择字号:
基于机器学习加速发现高性能可降解塑料替代新方法

 

2024年3月18日,美国马里兰大学Po-Yen Chen教授、胡良兵教授和李腾教授团队在Nature Nanotechnology期刊上发表题为“Machine intelligence-accelerated discovery of all-natural plastic substitutes”的研究成果。

该成果结合了机器人技术、机器学习神经元网络算法与分子尺度模拟,报道了一种加速制备具有可编程光学、热学和力学性能的全天然塑料替代品新方法,通过集成工作流程(预测初筛→机理引导→定向制备)实现了全天然复合材料的多性能高效调控,该成果为解决塑料污染问题开辟了新的途径,并为建立可持续的生产和消费模式做出了重要贡献。

论文通讯作者是Po-Yen Chen、胡良兵、李腾;第一作者是陈天乐、庞震乾(现为浙江大学“百人计划“研究员)、何帅明。

目前,石油塑料在满足人类需求的同时,也带来了巨大的环境和生态问题。因此,开发由纯天然基元组成的生物可降解塑料替代品是解决方案之一。然而,寻找具有特定属性(如光学透明度、防火性和机械强韧性等)的全天然替代品面临着挑战:基元数据库庞大,寻找新材料就像大海捞针,而传统的迭代优化实验效率低下,工作量巨大。此外,目前对纯天然塑料替代品的性能调控只限于单一方面,多性能同时调控受到限制。

鉴于此,美国马里兰大学的Po-Yen Chen教授、胡良兵教授和李腾教授团队提出了一种新方法,以加速制备全天然塑料替代品,这些替代品具有可编程的光学、热学和力学性能。该方法基于GRAS数据库选取全天然基元,借助机器人快速制备286个具有不同性质的纳米复合膜,接着测量膜的完整度,并导入支持向量分类器。经过14个主动学习循环和数据增强,他们逐步制备了135个全天然纳米复合材料,然后对其进行光学、阻燃和力学性能测定,并构建了人工神经网络预测模型。这个预测模型能执行两种设计任务:1)从组成材料预测全天然纳米复合材料的物理化学性质;2)自动设计生物降解塑料替代品,满足各种用户特定要求。利用强相关基元(纤维素与蒙脱石),通过分子动力学模拟从微纳尺度得到其强韧性机理,确定了拉伸行为中的三个典型强韧化阶段:1)纤维链内氢键拉伸提高模量;2)链间层间滑移实现塑性强化;3)层间裂纹扩展发生断裂,最终实现高性能复合材料的定向制备。研究表明,通过这种集成工作流程(预测初筛→机理引导→定向制备),可以避免冗长的传统迭代优化实验,促进各种功能材料的多属性优化,适用于触觉传感器、可拉伸导体、电化学电解质优化和热绝缘气凝胶等广泛的纳米科学领域。

图1:机器学习加速发现可编程全天然塑料替代品。

图2:通过机器人自动化、主动学习循环和数据增强构建高精度预测模型。

图片3.png

图3:最终模型准确预测揭示全部可行区域内材料光学、机械和阻燃属性;通过模型扩展引入壳聚糖,显著提升全天然塑料替代品的最终伸长率。

图4:通过AI/ML加速逆向设计,开发与传统塑料力学性能相匹配的全天然纳米复合材料。展示材料的设计空间、生物降解性测试和SHAP值分析。

图5:MD模拟探讨验证全天然纳米复合材料的拉伸失效机制;敏感性分析揭示凝胶源与MMT尺寸对复合材料性能影响。

(来源:科学网)

相关论文信息:https://doi.org/10.1038/s41565-024-01635-z

 
 打印  发E-mail给: 
    
 
相关新闻 相关论文

图片新闻
野外回归的墨脱百合在原生地首次开花 科学家创有机小分子催化新纪录
科学家欲在脆弱冰川周围建屏障 7月福利!科学网APP论文&基金最新活动
>>更多
 
一周新闻排行
 
编辑部推荐博文