Машинное обучение помогает оптимизировать производство полимеров

Полимеры, такие как пластмассы, необходимы во многих аспектах жизни и промышленности: от упаковки и автомобилей до медицинских устройств и оптических волокон. Их ценность обусловлена ​​разнообразными свойствами, которые во многом определяются их мономерами – отдельными химическими единицами, – из которых состоит полимер. К сожалению, может быть сложно контролировать химическое поведение мономеров во время производства для достижения желаемого результата.

Теперь группа исследователей под руководством профессора Микии Фуджи из Института науки и технологий Нара в Японии использовала машинное обучение для математического моделирования процесса полимеризации и уменьшения необходимости в трудоемких и дорогостоящих экспериментах.

Их результаты опубликованы в журнале Наука и технология перспективных материалов: методы.

Алгоритмам машинного обучения нужны данные, поэтому исследователи разработали процесс полимеризации, который позволит быстро и эффективно генерировать экспериментальные данные для использования в математической модели. Целевой молекулой был сополимер стирола и метилметакрилата, который был получен путем смешивания мономеров стирола и метилметакрилата, уже растворенных в растворителе, с добавленным веществом-инициатором, а затем нагревания их на водяной бане.

Команда также использовала метод, называемый проточным синтезом, при котором два раствора мономера смешиваются и нагреваются в постоянном потоке. Это обеспечивает лучшее смешивание, более эффективный нагрев и более точный контроль времени нагрева и скорости потока, что делает его идеальным для использования в машинном обучении.

В ходе моделирования оценивалось влияние пяти ключевых переменных на процесс полимеризации: концентрация инициатора, соотношение растворителя и мономера, доля стирола, температура реакции и время, проведенное на водяной бане. Целью было получить конечный продукт с содержанием стирола, близким к 50%, насколько это возможно.

Как только было доступно достаточно экспериментальных данных, процесс машинного обучения потребовал всего пять циклов вычислений, чтобы достичь идеального соотношения стирола и метилметакрилата.

Результаты показали, что ключевым моментом была более низкая температура и более длительное время пребывания на водяной бане, а также снижение относительной концентрации мономера в растворителе. Исследователи были удивлены, обнаружив, что концентрация растворителя так же важна, как и доля мономеров, входящих в смесь.

«Наши результаты показывают, что машинное обучение не только может явно раскрыть то, что люди, возможно, неявно считали само собой разумеющимся, но также может дать новые идеи, которые раньше не признавались», — говорит профессор Микия Фуджи.

«Использование машинного обучения в химии может открыть двери для более разумных и экологически чистых производственных процессов с сокращением отходов и энергопотребления».