Naukowcy są o krok od rewolucji w produkcji tworzyw sztucznych, a kluczową rolę odgrywa w niej sztuczna inteligencja. W najnowszych badaniach, łączących najnowocześniejszą chemię i zaawansowaną informatykę, zespół z prestiżowych instytucji MIT i Duke University opracował innowacyjną strategię tworzenia znacznie trwalszych i mocniejszych materiałów polimerowych. Ten przełom nie tylko obiecuje produkty o dłuższej żywotności, ale także otwiera drzwi do zmniejszenia globalnego problemu odpadów z tworzyw sztucznych.

Wykorzystując moc uczenia maszynowego, badaczom udało się zidentyfikować specyficzne cząsteczki, znane jako cząsteczki sieciujące (crosslinkers), które po dodaniu do struktury polimeru radykalnie zwiększają odporność materiału na rozrywanie i pękanie. Cząsteczki te należą do fascynującej klasy związków zwanych mechanoforami, których unikalną cechą jest zmiana kształtu lub innych właściwości w odpowiedzi na przyłożenie siły mechanicznej.

Heather Kulik, profesor inżynierii chemicznej i chemii na MIT oraz główna autorka badania, wyjaśnia znaczenie tego odkrycia: "Tego rodzaju cząsteczki są niezwykle przydatne do tworzenia polimerów, które stają się silniejsze w odpowiedzi na siłę. Kiedy poddasz je pewnemu naprężeniu, zamiast pękać lub łamać się, wykazują wyższy poziom odporności." To podejście stanowi fundamentalną zmianę w sposobie myślenia o trwałości materiałów.

Rewolucja w nauce o materiałach: Rola mechanoforów

Polimery to długie łańcuchy cząsteczek, które stanowią podstawę wszystkich tworzyw sztucznych, których używamy na co dzień. Ich wytrzymałość i właściwości często zależą od tego, jak te łańcuchy są ze sobą połączone. W tym miejscu na scenę wkraczają cząsteczki sieciujące, które działają jak mosty między łańcuchami polimerowymi, tworząc złożoną sieć. Tradycyjnie uważano, że mocniejsze mosty prowadzą do mocniejszego materiału.

Jednak praca, na której opierają się te nowe badania, opublikowana w 2023 roku, wykazała coś sprzecznego z intuicją. Poprzez wbudowanie celowo "słabych" wiązań w sieć polimerową, cały materiał może stać się znacznie bardziej odporny. Kiedy pęknięcie zaczyna się rozprzestrzeniać w takim materiale, instynktownie omija mocniejsze wiązania i kieruje się przez słabsze punkty. Paradoksalnie oznacza to, że pęknięcie musi zerwać większą całkowitą liczbę wiązań, aby postępować, co wymaga więcej energii i tym samym czyni materiał twardszym i bardziej odpornym na rozrywanie. Mechanofory są idealnymi kandydatami do tworzenia tych "zaprogramowanych słabych ogniw".

"Mieliśmy nowy wgląd mechaniczny i nową możliwość, ale to przyniosło ze sobą ogromne wyzwanie: spośród wszystkich możliwych składów materii, jak skupić się na tych o największym potencjale?" podkreśla Stephen Craig, profesor chemii na Duke University i jeden ze współautorów badania. Kluczową rolę odegrała tu współpraca z zespołem profesor Kulik.

Sztuczna inteligencja jako kluczowe narzędzie do odkryć

Odkrywanie i charakteryzowanie nowych mechanoforów tradycyjnymi metodami jest niezwykle powolnym i wymagającym procesem. Eksperymentalna weryfikacja tylko jednej cząsteczki kandydującej może trwać tygodniami, podczas gdy symulacje komputerowe, choć szybsze, wciąż trwają dniami. Ocena tysięcy potencjalnych związków w ten sposób byłaby misją niemal niemożliwą. Większość dotychczas znanych mechanoforów to związki organiczne, ale zespół postanowił zbadać mniej znany obszar.

Skupili się na cząsteczkach znanych jako ferroceny. Są to związki metaloorganiczne, które mają atom żelaza "wciśnięty" między dwa pierścienie na bazie węgla. Do tych pierścieni mogą być przyłączone różne grupy chemiczne, co zmienia ich właściwości chemiczne i mechaniczne. Ze względu na ich unikalną strukturę, uważano, że mają duży potencjał jako mechanofory, ale rzadko badano je w tym celu.

Świadomi, że potrzebne jest drastycznie szybsze podejście, zespół opracował model uczenia maszynowego, czyli sieć neuronową, do identyfikacji obiecujących ferrocenów. Punktem wyjścia była ogromna baza danych znana jako Cambridge Structural Database, która zawiera struktury 5000 różnych ferrocenów, które zostały już pomyślnie zsyntetyzowane. "Wiedzieliśmy, że nie musimy martwić się kwestią syntezowalności, przynajmniej z perspektywy samego mechanoforu. Pozwoliło nam to wybrać naprawdę dużą przestrzeń do badań z dużą różnorodnością chemiczną, która jednocześnie byłaby syntetycznie osiągalna" – wyjaśnia Ilia Kevlishvili, pracownik naukowy ze stopniem doktora na MIT i główny autor pracy naukowej opublikowanej w czasopiśmie ACS Central Science.

Badacze najpierw przeprowadzili szczegółowe symulacje komputerowe dla około 400 z tych związków. W ten sposób obliczyli, jaka siła jest potrzebna do rozdzielenia atomów w każdej cząsteczce. Te dane, wraz z informacjami o strukturze każdego związku, zostały wykorzystane do trenowania modelu uczenia maszynowego. Po przeszkoleniu, model AI był w stanie w niewiarygodnie krótkim czasie przewidzieć siłę aktywacji dla pozostałych 4500 związków z bazy danych, plus dodatkowych 7000 hipotetycznych związków o podobnej strukturze.

Ferroceny w centrum uwagi: Niespodziewani bohaterowie

Analiza wyników wygenerowanych przez sztuczną inteligencję ujawniła dwie kluczowe cechy strukturalne, które najbardziej przyczyniały się do pożądanych właściwości, czyli słabszych wiązań zwiększających odporność na rozrywanie. Pierwszą cechą było istnienie interakcji między grupami chemicznymi przyłączonymi do pierścieni ferrocenu, co było w pewnym stopniu oczekiwane przez chemików.

Jednak drugie odkrycie było całkowicie zaskakujące i sprzeczne z intuicją. Model wykazał, że obecność dużych, masywnych cząsteczek przyłączonych do obu pierścieni ferrocenu sprawia, że cząsteczka jest znacznie bardziej podatna na rozpad w odpowiedzi na przyłożoną siłę. Jest to wiedza, do której chemik nie doszedłby łatwo standardowymi metodami i która nie mogłaby zostać odkryta bez pomocy sztucznej inteligencji. "To było coś naprawdę zaskakującego" - potwierdza Kulik.

Ten wgląd pokazuje siłę podejścia opartego na sztucznej inteligencji, które potrafi rozpoznać złożone wzorce i korelacje w dużych zbiorach danych, daleko wykraczające poza ludzką intuicję. Sztuczna inteligencja nie tylko przyspieszyła proces, ale także odkryła zupełnie nowe zasady projektowania dla inżynierów molekularnych.

Od teorii do praktyki: Tworzenie superwytrzymałego plastiku

Gdy model AI zidentyfikował około 100 najbardziej obiecujących kandydatów, badania przeniosły się ze świata cyfrowego do fizycznego. Laboratorium profesora Craiga na Duke University podjęło się zadania syntezy materiału polimerowego zawierającego jednego z tych kandydatów, związek znany jako m-TMS-Fc. W tym materiale m-TMS-Fc działa jako środek sieciujący, który łączy łańcuchy polimerowe poliakrylanu, rodzaju tworzywa sztucznego często używanego w klejach, powłokach i tekstyliach.

Wyniki eksperymentalne były spektakularne. Przykładając siłę do każdej próbki polimeru aż do punktu pęknięcia, badacze potwierdzili, że słabe wiązanie m-TMS-Fc tworzy niezwykle wytrzymały i odporny na rozrywanie polimer. Konkretnie, ten nowy polimer okazał się około cztery razy mocniejszy i bardziej odporny na rozrywanie niż polimery wykonane ze standardowym, silniejszym środkiem sieciującym na bazie ferrocenu.

"To naprawdę ma ogromne implikacje, ponieważ jeśli pomyślimy o wszystkich tworzywach sztucznych, których używamy, i o gromadzeniu się odpadów z tworzyw sztucznych, jeśli uczynimy materiały twardszymi, oznacza to, że ich żywotność będzie dłuższa. Będą użyteczne przez dłuższy czas, co na dłuższą metę mogłoby zmniejszyć produkcję tworzyw sztucznych" - podkreśla Kevlishvili. Trwalsze produkty oznaczają mniej odpadów i mniejszą presję na środowisko.

Przyszłość inteligentnych materiałów i szersze zastosowania

Zespół planuje teraz wykorzystać swoje potężne podejście oparte na uczeniu maszynowym do identyfikacji mechanoforów o innych pożądanych właściwościach. Możliwości są niemal nieograniczone. Wyobraźmy sobie materiały, które zmieniają kolor pod wpływem naprężenia, działając jak wbudowane czujniki uszkodzeń w krytycznych elementach samolotów czy mostów. Albo materiały, które stają się katalitycznie aktywne w odpowiedzi na siłę, umożliwiając reakcje chemiczne na żądanie.

Takie "inteligentne" materiały mogłyby znaleźć zastosowanie również w biomedycynie, na przykład do celowanego dostarczania leków, gdzie lek jest uwalniany z nośnika polimerowego tylko w miejscu naprężenia mechanicznego, jak w przypadku komórek nowotworowych przemieszczających się przez tkankę. W przyszłych badaniach naukowcy planują skupić się na ferrocenach i innych mechanoforach zawierających metale, które zostały już zsyntetyzowane, ale których właściwości nie są jeszcze w pełni poznane.

"Mechanofory metali przejściowych są stosunkowo niezbadane i prawdopodobnie nieco trudniejsze do wykonania", mówi Kulik. "Ten komputerowy przepływ pracy może być szeroko stosowany do poszerzania przestrzeni mechanoforów, które ludzie badali." Współpraca między informatyką a chemią eksperymentalną, finansowana przez Narodową Fundację Nauki (National Science Foundation) za pośrednictwem Centrum Chemii Sieci Zoptymalizowanych Molekularnie (MONET), otwiera nowy rozdział w projektowaniu materiałów, obiecując przyszłość, w której materiały są nie tylko mocniejsze, ale także inteligentniejsze i bardziej zrównoważone.