人工智能算法为寻找和制造纳米多孔材料提供更佳途径
未来，纳米多孔材料有望解决社会面临的一些最严峻问题，从从空气中吸收二氧化碳或甲烷，到储存作为燃料的气态氢，再到检测空气中的有毒化合物。
得益于纳米级的微小孔隙，这些材料在许多与可持续发展相关的应用中都很有用，但由于它们是化学家在实验室中一个分子一个分子地合成的，其研发过程繁琐且成本高昂。
华盛顿州立大学和俄勒冈州立大学的一组研究人员开发出一种独特的计算算法，它像玩“二十问”游戏一样，快速缩小数千种可能的分子结构范围，以最小的成本和精力找到最优结构。该研究发表在期刊Molecular Systems Design and Engineering Journal上。
“关键问题在于，纳米多孔材料是多种化学元素的混合物，需要对它们进行组合并找到最佳配比。纳米多孔材料的潜在分子构件和结构种类繁多，几乎可以无限组合。如果每次都在实验室中测试这些元素及其结构的新构型，成本将非常高，因此计算任务在于如何确定具有所需性能的正确元素组合。这正是我们基于人工智能的算法工作发挥作用的地方”
在这项概念验证研究中，科学家从纳米多孔材料中选出了用于吸附甲烷的最佳候选材料，甲烷是一种会加剧全球变暖的强效温室气体。在仅评估了120种可能的候选材料后，他们从包含70000种材料的库中找到了已知的最佳候选材料，而且效果明显优于传统算法。
“纳米多孔材料（NPM）可用于储存、捕集和检测多种不同气体。考虑到吸附问题，我们通常希望在库中找到具有最佳吸附性能的材料。无论这些实验是在实验室进行还是通过模拟进行，NPM的合成以及气体吸附测量成本都很高，这往往使得穷举搜索难以实现。”研究中写道。
研究作者之一、电气工程与计算机科学学院副教授亚娜·多帕表示：“阿里安的算法能够用更少的评估次数找到最佳材料。”算法表现良好的原因之一，是它考虑了材料的三维结构。
“我们试图实现更智能的搜索，而现有方法并未尝试利用材料结构与其性能之间关系的模型。我们明确构建了统计模型，使我们能够预测未知材料的性能，并获得经过良好校准的不确定性估计，这意味着你知道自己不知道什么。因此，当我们探索该空间时，是以更加合理的方式进行的，而不是随机探索。”
由于他们的算法在每一轮新的材料迭代中都会运行，它实际上是在虚拟地进行实验，更新其对结构与性能关系的理解，然后据此选择下一种纳米多孔材料。
现在，研究人员希望进一步实现方法的自动化和通用化。他们在一篇将于2021年神经信息处理系统大会（NeurIPS）上发表的新论文中，已在实现这一目标方面取得了根本性进展。科学家希望将这些独特算法用于改进其他类型实际应用中的搜索，例如工业过程中使用的催化剂开发。
多孔材料是指含有孔径处于纳米范围（约1–100纳米）的孔的材料。该术语用于表明，材料的特定性能（传感、吸附、催化、扩散等）与纳米孔的存在有关。大多数已知的膜、吸附剂和催化剂都可归入此类材料。
自然界中存在许多天然纳米多孔材料，但它们也可以通过人工方式制造。为此，需要将熔点不同的聚合物结合在一起，使加热时其中一种聚合物分解。孔径相同的多孔材料具有只允许某些物质通过、同时阻挡其他物质的特性。
纳米多孔材料应用于防毒面具、潜艇和载人空间站的自主生命保障系统中。它们可用于过滤器，对空气和水进行精细净化，去除污染物（尤其是化学和细菌性毒剂）。要使材料高效工作，关键是超过渗流阈值，超过该阈值后，彼此不相连的孔隙和通道开始形成贯通通路，从而允许流体通过。
