2
0
2
0

Riesige Werkstoffdatenbanken mit Machine Learning sortieren

Artikel lesen
Chemie
Daten
künstliche Intelligenz

Forscherinnen und Forscher der EPFL und des MIT nutzen das Machine Learning, um die Vielfalt chemischer Substanzen in den Datenbanken für die besonders beliebten und sich ständig weiterentwickelnden metallorganischen Gerüstverbindungen zu organisieren.

Die metallorganischen Gerüstverbindungen (metal-organic framework oder MOF) stellen eine Kategorie von Werkstoffen mit nanometergrossen Poren dar. Dadurch besitzen die MOF eine spezifische Innenfläche, die alle Rekorde schlägt und bis zu 780 m2 bei nur 1 g Material beträgt. Folglich sind sie extrem vielseitig und flexibel einsetzbar. Einige Beispiele: Spaltung von petrochemischen Produkten und Gasen, DNA-Imitation, Herstellung von Wasserstoff und Gewinnung von Schwermetallen, Fluoridanionen und sogar Gold aus Wasser.

«Wie können wir, wenn wir heute eine neue MOF synthetisieren, wissen, ob es sich wirklich um eine neue Struktur handelt und nicht um eine geringfügig andere Variante einer bereits synthetisierten Struktur?»

Aufgrund ihrer Beliebtheit entwickeln, synthetisieren, untersuchen und katalogisieren Werkstoffwissenschaftlerinnen und ‑wissenschaftler die MOF im Eilzugstempo. Zurzeit sind über 90 000 MOF veröffentlicht, und die Zahl wächst jeden Tag. Dies ist zwar spannend, aber die schiere Anzahl MOF stellt ein Problem dar: «Wie können wir, wenn wir heute eine neue MOF synthetisieren, wissen, ob es sich wirklich um eine neue Struktur handelt und nicht um eine geringfügig andere Variante einer bereits synthetisierten Struktur?», fragt sich Prof. Berend Smit von der EPFL Valais-Wallis, an der eine bedeutende Abteilung für Chemie beheimatet ist.

Um diese Frage zu beantworten, hat Prof. Smit mit Prof. Heather J. Kulik vom Massachusetts Institute of Technology (MIT) zusammengespannt und das Machine Learning genutzt, um eine «Sprache» zu entwickeln, mit der zwei Werkstoffe verglichen und ihre Unterschiede quantifiziert werden können.

Wissenschaftliche Archäologie

Bewaffnet mit dieser neuen «Sprache» begannen die Forscherinnen und Forscher, die Vielfalt der chemischen Stoffe in den MOF-Datenbanken zu erkunden. «Vorher konzentrierten wir uns auf die Anzahl Strukturen», erklärt Berend Smit. «Jetzt haben wir entdeckt, dass die wichtigsten Datenbanken alle möglichen Verzerrungen zugunsten bestimmter Strukturen enthalten. Es ist nicht interessant, kostspielige Auswahluntersuchungen ähnlicher Strukturen durchzuführen. Es ist besser, eine Gesamtheit von sehr unterschiedlichen Strukturen auszuwählen, die mit viel weniger Strukturen viel bessere Ergebnisse liefern.»

Eine andere spannende Anwendung betrifft die «wissenschaftliche Archäologie»: Die Forscherinnen und Forscher nutzten ihr Machine-Learning-System, um die zum Zeitpunkt der Studie veröffentlichten und im Vergleich zu den bereits bekannten Strukturen ganz anderen MOF zu identifizieren.

«Wir verfügen jetzt über ein sehr einfaches Instrument, das einer Experimentiergruppe angeben kann, wie sehr sich ihre neue MOF von den bereits gemeldeten 90 000 Strukturen unterscheidet», erklärt Berend Smit.

Scrollen
Forschung | 35 artikel