Su nuevo método, publicado en Science Advances, mezcla el aprendizaje de las máquinas con la química sintética para diseñar y desarrollar nuevas membranas de separación de gases más rápidamente. Recientes experimentos aplicando este enfoque dieron como resultado nuevos materiales que separan los gases mejor que cualquier otra membrana filtrante conocida.

El descubrimiento podría revolucionar la forma en que se diseñan y crean los nuevos materiales, dijo Brian Benicewicz, el profesor de química de la Universidad de Carolina del Sur SmartState.

«Elimina las conjeturas y el viejo trabajo de ensayo y error, que es muy ineficaz», dijo Benicewicz. «No tienes que hacer cientos de materiales diferentes y probarlos. Ahora dejas que la máquina aprenda. Puede reducir tu búsqueda».

Las películas plásticas o membranas se utilizan a menudo para filtrar gases. Benicewicz explicó que estas membranas sufren un compromiso entre la selectividad y la permeabilidad – un material que deja pasar un gas es poco probable que detenga una molécula de otro gas. «Estamos hablando de algunas moléculas realmente pequeñas», dijo Benicewicz. «La diferencia de tamaño es casi imperceptible. Si quieres mucha permeabilidad, no vas a conseguir mucha selectividad».

Benicewicz y sus colaboradores de la Universidad de Columbia querían ver si los grandes datos podían diseñar una membrana más efectiva.

El equipo de la Universidad de Columbia creó un algoritmo de aprendizaje automático que analizó la estructura química y la eficacia de las membranas existentes utilizadas para separar el dióxido de carbono del metano. Una vez que el algoritmo pudo predecir con precisión la efectividad de una membrana dada, dieron vuelta la pregunta: ¿Qué estructura química haría la membrana de separación de gas ideal?

Sanat K. Kumar, el profesor Bykhovsky de Ingeniería Química en Columbia, lo comparó con el método de Netflix para recomendar películas. Examinando lo que un espectador ha visto y le ha gustado antes, Netflix determina las características que el espectador disfruta y luego encuentra videos para recomendar. Su algoritmo analizó las estructuras químicas de las membranas existentes y determinó qué estructuras serían más efectivas.

La computadora produjo una lista de 100 materiales hipotéticos que podrían superar los límites actuales. Benicewicz, que dirige un grupo de investigación de química sintética, identificó dos de las estructuras propuestas que se podrían fabricar de forma plausible. Laura Murdock, una estudiante de doctorado en química de la UofSC, fabricó los polímeros prescritos y los moldeó en películas delgadas.

Cuando se probaron las membranas, su eficacia estaba cerca de la predicción del ordenador y muy por encima de los límites presumidos.

«Su rendimiento era muy bueno, mucho mejor que lo que se había hecho anteriormente», dijo Murdock. «Y fue bastante fácil. Tiene el potencial para el uso comercial.»

La separación del dióxido de carbono y el metano tiene una aplicación inmediata en la industria del gas natural; el CO2 debe ser removido del gas natural para prevenir la corrosión en las tuberías. Pero Murdock dijo que el método de utilizar grandes datos para eliminar las conjeturas del proceso lleva a otra pregunta: «¿A qué otros materiales poliméricos podemos aplicar el aprendizaje de la máquina y crear mejores materiales para todo tipo de aplicaciones?»

Benicewicz dijo que el aprendizaje automático podría ayudar a los científicos a diseñar nuevas membranas para separar los gases de efecto invernadero del carbón, lo que puede ayudar a reducir el cambio climático.

«Este trabajo apunta, por lo tanto, a una nueva forma de diseño de materiales», dijo Kumar. «En lugar de probar todos los materiales que existen para una aplicación particular, se busca la parte de un material que mejor sirva a la necesidad que se tiene. Cuando combinas los mejores materiales, tienes la oportunidad de diseñar un material mejor».