.
Pesquisadores na Suíça e na Austrália usaram o aprendizado de máquina para decifrar o código que rege a transferência de carga e a emissão de cores em cadeias de moléculas.
Cadeias de moléculas, conhecidas como polímeros, podem ser reunidas em padrões para criar diferentes efeitos visuais, como a emissão de uma determinada cor quando exposta à luz ultravioleta ou outras fontes de luz.
Os polímeros são usados em armazenamento de dados, tintas de segurança, diodos orgânicos emissores de luz (OLEDs) e até mesmo na indústria de energia solar.
Até agora, colocar as moléculas na ordem certa para criar o efeito desejado tem sido um processo lento de tentativa e erro, limitando sua aplicação prática e utilidade.
Para resolver esse problema, o pesquisador da Exciton Science, Dr. Nastaran Meftahi, da RMIT University, sob a supervisão do professor Salvy Russo, treinou um modelo de aprendizado de máquina para entender melhor o comportamento que ocorre dentro e entre as moléculas.
Apesar de ter apenas uma quantidade limitada de dados para estudar, o modelo que Nastaran criou provou ser um aprendizado rápido.
Ele revelou novas informações significativas sobre como montar polímeros de forma mais eficiente e eficaz para uma ampla variedade de fins experimentais e comerciais.
Guiados pelo modelo, a aluna de doutorado Suiying Ye e seu supervisor, o cientista sênior Dr. Yinyin Bao da ETH Zurich, juntamente com seus colaboradores, puderam confirmar que a transferência de carga dentro da cadeia ou rede depende do padrão em que as moléculas estão dispostas. em, e sua distância um do outro.
Com esta informação, os pesquisadores agora são capazes de criar cadeias de moléculas que exibirão cores designadas em resposta a diferentes estímulos, incluindo luz, produtos químicos e energia.
Os resultados foram publicados na revista químico e estão disponíveis aqui.
“Uma vez que tínhamos o modelo de aprendizado de máquina que nos dizia como obter todas as outras cores, poderíamos obter um espectro completo”, disse Nastaran.
“E é aí que está o valor. O modelo faz com que a pesquisa experimental seja melhor e mais rápida.
“E não se trata apenas de tornar as coisas cada vez melhores, mas de encontrar coisas que você pode não ter conseguido encontrar por tentativa e erro.
“Você pode nunca ter atingido aquele ponto que queria atingir no espectro de cores sem o aprendizado de máquina.”
Uma das principais vantagens do novo processo de síntese de polímeros é que ele é simples e fácil de replicar e usa materiais amplamente disponíveis.
Yinyin disse: “Este trabalho pode ser inspirador para o campo da química de polímeros e para pessoas que trabalham com materiais responsivos a estímulos”.
Usando os dados coletados do experimento mais recente, um modelo de aprendizado de máquina ainda mais abrangente pode ser treinado para fornecer novos insights no futuro.
“As pessoas que desenvolvem novos materiais também podem pensar em usar modelos de aprendizado de máquina treinados em dados existentes para explorar mais possibilidades”, disse Suiying.
.
