به نقل از اخبار MIT، پژوهشگران با استفاده از یک مدل یادگیری ماشین، مولکولهایی را شناسایی کردهاند که باعث میشوند پلیمرها در برابر پارگی مقاومتر شوند؛ این دستاورد میتواند به تولید پلاستیکهای بادوامتر و کاهش ضایعات پلاستیکی منجر شود.
بر اساس تحقیقات جدید پژوهشگران دانشگاه MIT و دوک، یک استراتژی جدید برای تقویت مواد پلیمری میتواند به تولید پلاستیکهای بادوامتر و کاهش ضایعات پلاستیکی منجر شود.
محققان با استفاده از یادگیری ماشین، مولکولهای اتصالدهندهای (crosslinker) را شناسایی کردهاند که میتوان با افزودن آنها به مواد پلیمری، مقاومتشان را در برابر پارگی افزایش داد. این اتصالدهندهها به دستهای از مولکولها به نام «مکانوفور» (mechanophores) تعلق دارند که در پاسخ به نیروی مکانیکی، شکل یا خواص دیگر خود را تغییر میدهند.
هدر کولیک، استاد مهندسی شیمی در MIT و نویسنده ارشد این مطالعه، میگوید: «این مولکولها میتوانند برای ساخت پلیمرهایی مفید باشند که در پاسخ به نیرو قویتر عمل میکنند. وقتی به آنها تنش وارد میکنید، به جای ترک خوردن یا شکستن، شاهد چیزی هستید که انعطافپذیری بالاتری دارد.»
اتصالدهندههایی که در این مطالعه شناسایی شدند، ترکیبات حاوی آهن به نام «فروسن» (ferrocenes) هستند که تا پیش از این، پتانسیل آنها به عنوان مکانوفور به طور گسترده بررسی نشده بود. ارزیابی تجربی یک مکانوفور میتواند هفتهها طول بکشد، اما پژوهشگران نشان دادند که با استفاده از یک مدل یادگیری ماشین میتوانند این فرآیند را به طور چشمگیری سرعت بخشند.
یافتن ضعیفترین حلقه برای قویتر کردن زنجیره
این کار بر اساس مطالعهای در سال ۲۰۲۳ بنا شده است که در آن پژوهشگران به طور شگفتانگیزی دریافتند که گنجاندن اتصالدهندههای ضعیف در یک شبکه پلیمری میتواند کل ماده را قویتر کند. وقتی موادی با این اتصالدهندههای ضعیف تا نقطه شکست کشیده میشوند، هرگونه ترکی که در ماده ایجاد میشود، به جای عبور از پیوندهای قوی، مسیر خود را به سمت پیوندهای ضعیف تغییر میدهد. این بدان معناست که ترک برای پیشروی باید پیوندهای بیشتری را بشکند.
برای بهرهبرداری از این پدیده، تیم تحقیقاتی به سراغ شناسایی مکانوفورهایی رفت که میتوانند به عنوان اتصالدهندههای ضعیف عمل کنند.
کشف با کمک هوش مصنوعی
کشف و شناسایی مکانوفورها کاری دشوار و زمانبر است. پژوهشگران در این مطالعه بر روی فروسنها تمرکز کردند. آنها ابتدا با شبیهسازیهای محاسباتی برای حدود ۴۰۰ ترکیب، دادههای لازم را برای آموزش یک مدل یادگیری ماشین جمعآوری کردند. سپس این مدل توانست نیروی لازم برای فعالسازی مکانوفورها را برای ۴۵۰۰ ترکیب باقیمانده و ۷۰۰۰ ترکیب جدید پیشبینی کند.
این مدل دو ویژگی اصلی را کشف کرد که احتمالاً مقاومت در برابر پارگی را افزایش میدهند. یکی از این ویژگیها، وجود مولکولهای بزرگ و حجیم متصل به حلقههای فروسن بود؛ چیزی که یک شیمیدان از قبل پیشبینی نمیکرد و بدون هوش مصنوعی قابل تشخیص نبود.
پلاستیکهای مقاومتر
پس از شناسایی حدود ۱۰۰ کاندیدای امیدوارکننده، آزمایشگاه دانشگاه دوک یک ماده پلیمری با یکی از آنها به نام m-TMS-Fc تولید کرد. نتایج نشان داد که این پلیمر حدود چهار برابر مقاومتر از پلیمرهایی است که با فروسن استاندارد ساخته شدهاند.
ایلیا کِولیشویلی، نویسنده اصلی مقاله، میگوید: «این دستاورد پیامدهای بزرگی دارد، زیرا اگر به تمام پلاستیکهایی که استفاده میکنیم و تجمع زبالههای پلاستیکی فکر کنیم، اگر مواد را مقاومتر بسازیم، عمر مفید آنها طولانیتر خواهد بود و این میتواند در درازمدت تولید پلاستیک را کاهش دهد.»
محققان اکنون امیدوارند از رویکرد یادگیری ماشین خود برای شناسایی مکانوفورهایی با خواص دیگر، مانند تغییر رنگ یا فعال شدن کاتالیزوری در پاسخ به نیرو، استفاده کنند. چنین موادی میتوانند به عنوان حسگرهای تنش یا در کاربردهای زیستپزشکی مانند دارورسانی مورد استفاده قرار گیرند.
نظر شما در مورد این مطلب چیه؟