Un investigador desarrolla un sistema digital de alto rendimiento para adaptar polímeros
Predicción rápida y precisa de las propiedades de los polímeros
Los polímeros se han convertido en una parte indispensable de la vida cotidiana. Sin embargo, los polímeros actuales representan sólo una pequeña fracción del enorme número de polímeros que existen teóricamente. El Prof. Dr. Christopher Kuenneth de la Universidad de Bayreuth (Alemania), junto con sus socios de investigación de Atlanta (EE.UU.), han desarrollado ahora un sistema digital que promete unas ventajas económicas, tecnológicas y ecológicas extraordinariamente elevadas: a partir de unos 100 millones de polímeros teóricamente posibles, su sistema puede seleccionar con precisión y a una velocidad sin precedentes aquellos materiales que tienen un perfil de propiedades ideal para aplicaciones concretas. El nuevo sistema se presenta en Nature Communications.
El Prof. Dr. Christopher Kuenneth, catedrático de Ciencia Computacional de Materiales de la Facultad de Ingeniería de la Universidad de Bayreuth, y el Prof. Dr. Rampi Ramprasad, del Instituto de Tecnología de Georgia (Atlanta), han bautizado su nuevo sistema con el nombre de "polyBERT". El nombre procede de la interdisciplinariedad de la que surgió polyBERT: conocimientos, conceptos y técnicas de la química de polímeros, la lingüística y el procesamiento del lenguaje natural, y el nuevo paradigma de la inteligencia artificial.
polyBERT es un sistema que trata la estructura química de los polímeros como un lenguaje químico: cada palabra que puede formarse en este lenguaje es un nombre único para un polímero teóricamente posible. En estos nombres se reflejan los bloques moleculares y las estructuras de los respectivos polímeros. Basándose en los nuevos conocimientos de la lingüística y la informática, el equipo de investigación de Bayreuth y Atlanta ha entrenado y desarrollado polyBERT hasta convertirlo en un sistema de aprendizaje.
Del lenguaje de los polímeros a las "huellas" digitales
En un primer paso, polyBERT ha aprendido los nombres de unos 100 millones de polímeros teóricamente posibles. Estos nombres son combinaciones de unidades moleculares contenidas en aproximadamente 13.000 polímeros. El entrenamiento de polyBERT le hace comprender el lenguaje de los polímeros e identificar correctamente los bloques de construcción y las estructuras de unos 100 millones de polímeros. El sistema digital de aprendizaje puede incluso utilizar el lenguaje de los polímeros por sí solo. Esto significa que polyBERT puede generar más nombres de polímeros previamente desconocidos pero teóricamente posibles.
Vinculada al conocimiento del lenguaje químico hay otra capacidad: polyBERT traduce automáticamente los nombres de polímeros que conoce en representaciones numéricas, las llamadas "huellas dactilares". Cada huella dactilar es una palabra clave única formada por números a partir de los cuales pueden deducirse los bloques de construcción y la estructura del polímero correspondiente. Esta generación automática de huellas digitales es mucho menos propensa a errores y mucho más rápida que la generación humana de huellas digitales para cada estructura química de los polímeros.
Predicción rápida y precisa de las propiedades de los polímeros
polyBERT deriva su enorme relevancia práctica del proceso de enseñanza, por parte de los investigadores de Bayreuth y Atlanta, de numerosas propiedades características de los polímeros que son especialmente relevantes para las aplicaciones tecnológicas. Así, el sistema es capaz de correlacionar sin ambigüedad las huellas dactilares y las propiedades de los polímeros. Las novedosas técnicas del campo de la inteligencia artificial permiten a polyBERT seleccionar con precisión, con gran exactitud y a una velocidad sin precedentes, aquellos polímeros necesarios para aplicaciones específicas de entre los 100 millones de polímeros teóricamente posibles. "polyBERT es un sistema de rendimiento excepcionalmente alto para la predicción rápida y precisa de las propiedades de los polímeros. Por tanto, nuestra investigación tiene el potencial de acelerar significativamente el diseño, la síntesis y la aplicación tecnológica de los polímeros", afirma Kuenneth.
Un estudio anterior identifica los bioplásticos
La importancia de los enfoques de aprendizaje automático en la investigación de polímeros ya quedó demostrada en un estudio anterior que Kuenneth publicó en la revista Communications Materials en diciembre de 2022. En él, él y sus socios investigadores de Atlanta y los Laboratorios Nacionales de Los Álamos (Estados Unidos) presentan un sistema similar basado en redes neuronales artificiales para predecir las propiedades de los polímeros. Este sistema es capaz de contrarrestar la contaminación mundial por residuos plásticos. Alrededor del 75% de los plásticos producidos industrialmente se basan en materias primas fósiles. El nuevo sistema puede acelerar considerablemente la búsqueda de biopolímeros que puedan sustituir a estos plásticos: Los autores del estudio identificaron 14 polímeros biológicamente producibles y degradables entre 1,4 millones de posibles candidatos que pueden sustituir a los plásticos industriales actuales en cuanto se disponga de procesos de síntesis rápidos y rentables.
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Christopher Kuenneth, Rampi Ramprasad: polyBERT: a chemical language model to enable fully machine-driven ultrafast polymer informatics. Nature Communications (2023).
Christopher Kuenneth, Jessica Lalonde, Babetta L. Marrone, Carl N. Iverson, Rampi Ramprasad, Ghanshyam Pilania: Bioplastic design using multitask deep neural networks. Communication Materials (2022).
Más noticias del departamento ciencias
![Visualización de la catálisis de la [Fe]-hidrogenasa mediante espectroscopia de resonancia magnética nuclear potenciada con parahidrógeno](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Reciba la química en su bandeja de entrada
No se pierda nada a partir de ahora: Nuestro boletín electrónico de química, análisis, laboratorio y tecnología de procesos le pone al día todos los martes y jueves. Las últimas noticias del sector, los productos más destacados y las innovaciones, de forma compacta y fácil de entender en su bandeja de entrada. Investigado por nosotros para que usted no tenga que hacerlo.
