Znanstvenici su na pragu revolucije u proizvodnji plastike, a ključnu ulogu u tome igra umjetna inteligencija. U najnovijem istraživanju koje spaja vrhunsku kemiju i napredno računarstvo, tim s uglednih institucija MIT i Sveučilišta Duke razvio je inovativnu strategiju za stvaranje znatno izdržljivijih i čvršćih polimernih materijala. Ovaj proboj ne samo da obećava dugotrajnije proizvode, već otvara i vrata smanjenju globalnog problema plastičnog otpada.

Koristeći moć strojnog učenja, istraživači su uspjeli identificirati specifične molekule, poznate kao poprečni vezivni agensi (crosslinkers), koje, kada se dodaju u polimernu strukturu, dramatično povećavaju otpornost materijala na trganje i pucanje. Ove molekule pripadaju fascinantnoj klasi spojeva zvanih mehanofori, čija je jedinstvena karakteristika da mijenjaju svoj oblik ili druga svojstva kao odgovor na primjenu mehaničke sile.

Heather Kulik, profesorica kemijskog inženjerstva i kemije na MIT-u te vodeća autorica studije, pojašnjava važnost ovog otkrića: "Ovakve molekule izuzetno su korisne za izradu polimera koji postaju jači kao odgovor na silu. Kada na njih primijenite određeni stres, umjesto da puknu ili se slome, oni pokazuju višu razinu otpornosti." Ovaj pristup predstavlja fundamentalnu promjenu u načinu na koji razmišljamo o trajnosti materijala.

Revolucija u znanosti o materijalima: Uloga mehanofora

Polimeri su dugi lanci molekula koji čine osnovu sve plastike koju svakodnevno koristimo. Njihova čvrstoća i svojstva često ovise o tome kako su ti lanci međusobno povezani. Tu na scenu stupaju poprečni vezivni agensi, koji djeluju kao mostovi između polimernih lanaca, stvarajući složenu mrežu. Tradicionalno se smatralo da jači mostovi vode do jačeg materijala.

Međutim, rad na kojem se temelji ovo novo istraživanje, objavljen 2023. godine, pokazao je nešto kontraintuitivno. Ugradnjom namjerno "slabih" veza u polimernu mrežu, cjelokupni materijal može postati znatno otporniji. Kada pukotina krene kroz takav materijal, ona instinktivno izbjegava jače veze i usmjerava se kroz slabije točke. Paradoksalno, to znači da pukotina mora prekinuti veći ukupan broj veza kako bi napredovala, što zahtijeva više energije i time čini materijal žilavijim i otpornijim na trganje. Mehanofori su savršeni kandidati za stvaranje tih "programiranih slabih karika".

"Imali smo novi mehanički uvid i priliku, ali to je sa sobom donijelo i veliki izazov: od svih mogućih sastava tvari, kako se usredotočiti na one s najvećim potencijalom?" ističe Stephen Craig, profesor kemije na Sveučilištu Duke i jedan od koautora studije. Tu je ključnu ulogu odigrala suradnja s timom profesorice Kulik.

Umjetna inteligencija kao ključni alat za otkriće

Otkrivanje i karakterizacija novih mehanofora tradicionalnim je metodama izuzetno spor i zahtjevan proces. Eksperimentalna provjera samo jedne molekule kandidata može potrajati tjednima, dok računalne simulacije, iako brže, i dalje traju danima. Procjena tisuća potencijalnih spojeva na ovaj način bila bi gotovo nemoguća misija. Većina do sada poznatih mehanofora su organski spojevi, no tim je odlučio istražiti manje poznato područje.

Usmjerili su se na molekule poznate kao feroceni. Riječ je o organometalnim spojevima koji imaju atom željeza "stisnut" između dva prstena na bazi ugljika. Ovi prstenovi mogu imati različite kemijske skupine vezane na sebe, što im mijenja kemijska i mehanička svojstva. Zbog svoje jedinstvene strukture, vjerovalo se da imaju veliki potencijal kao mehanofori, ali ih se rijetko istraživalo u tu svrhu.

Svjesni da je potreban drastično brži pristup, tim je razvio model strojnog učenja, odnosno neuronsku mrežu, za identifikaciju obećavajućih ferocena. Početna točka bila je golema baza podataka poznata kao Cambridge Structural Database, koja sadrži strukture 5000 različitih ferocena koji su već uspješno sintetizirani. "Znali smo da se ne moramo brinuti o pitanju sintetizibilnosti, barem iz perspektive samog mehanofora. To nam je omogućilo da odaberemo zaista velik prostor za istraživanje s puno kemijske raznolikosti, koji bi ujedno bio i sintetički ostvariv," objašnjava Ilia Kevlishvili, postdoktorand s MIT-a i glavni autor znanstvenog rada objavljenog u časopisu ACS Central Science.

Istraživači su prvo proveli detaljne računalne simulacije za oko 400 ovih spojeva. Time su izračunali kolika je sila potrebna da se atomi unutar svake molekule razdvoje. Ti su podaci, zajedno s informacijama o strukturi svakog spoja, korišteni za treniranje modela strojnog učenja. Jednom istreniran, AI model je u nevjerojatno kratkom vremenu uspio predvidjeti silu aktivacije za preostalih 4500 spojeva iz baze, plus dodatnih 7000 hipotetskih spojeva slične strukture.

Feroceni u središtu pozornosti: Neočekivani heroji

Analiza rezultata koje je generirala umjetna inteligencija otkrila je dva ključna strukturna obilježja koja su najviše doprinosila željenim svojstvima, odnosno slabijim vezama koje povećavaju otpornost na trganje. Prvo obilježje bilo je postojanje interakcija između kemijskih skupina vezanih na prstenove ferocena, što je bilo donekle očekivano za kemičare.

Međutim, drugo otkriće bilo je potpuno iznenađujuće i neintuitivno. Model je pokazao da prisutnost velikih, glomaznih molekula vezanih na oba prstena ferocena čini molekulu znatno podložnijom raspadanju kao odgovor na primijenjenu silu. To je saznanje do kojeg kemičar ne bi lako došao standardnim metodama i koje se ne bi moglo otkriti bez pomoći umjetne inteligencije. "Ovo je bilo nešto zaista iznenađujuće", potvrđuje Kulik.

Ovaj uvid pokazuje snagu AI pristupa koji može prepoznati složene uzorke i korelacije u velikim skupovima podataka, daleko izvan ljudske intuicije. Umjetna inteligencija nije samo ubrzala proces, već je otkrila potpuno nove principe dizajna za molekularne inženjere.

Od teorije do prakse: Stvaranje super-čvrste plastike

Nakon što je AI model identificirao oko 100 najperspektivnijih kandidata, istraživanje je prešlo iz digitalnog u fizički svijet. Laboratorij profesora Craiga na Sveučilištu Duke preuzeo je zadatak sinteze polimernog materijala koji uključuje jednog od tih kandidata, spoj poznat kao m-TMS-Fc. U ovom materijalu, m-TMS-Fc djeluje kao poprečni vezivni agens koji povezuje polimerne lance poliakrilata, vrste plastike koja se često koristi u ljepilima, premazima i tekstilu.

Eksperimentalni rezultati bili su spektakularni. Primjenjujući silu na svaki uzorak polimera sve do točke pucanja, istraživači su potvrdili da slaba veza m-TMS-Fc stvara izuzetno čvrst polimer otporan na trganje. Konkretno, ovaj novi polimer pokazao se otprilike četiri puta čvršćim i otpornijim na trganje od polimera napravljenih sa standardnim, jačim ferocenskim vezivnim agensom.

"To zaista ima velike implikacije jer ako razmišljamo o svoj plastici koju koristimo i o gomilanju plastičnog otpada, ako materijale učinite čvršćima, to znači da će njihov životni vijek biti duži. Bit će upotrebljivi dulje vrijeme, što bi dugoročno moglo smanjiti proizvodnju plastike," naglašava Kevlishvili. Izdržljiviji proizvodi znače manje otpada i manji pritisak na okoliš.

Budućnost pametnih materijala i šire primjene

Tim sada planira koristiti svoj moćni pristup temeljen na strojnom učenju za identifikaciju mehanofora s drugim poželjnim svojstvima. Mogućnosti su gotovo neograničene. Zamislite materijale koji mijenjaju boju kada su pod stresom, djelujući kao ugrađeni senzori oštećenja na kritičnim komponentama u zrakoplovima ili mostovima. Ili materijale koji postaju katalitički aktivni kao odgovor na silu, omogućujući kemijske reakcije na zahtjev.

Takvi "pametni" materijali mogli bi pronaći primjenu i u biomedicini, na primjer, za ciljanu isporuku lijekova, gdje se lijek oslobađa iz polimernog nosača samo na mjestu mehaničkog stresa, poput stanica raka koje se kreću kroz tkivo. U budućim studijama, istraživači se planiraju usredotočiti na ferocene i druge mehanoforove koji sadrže metale, a koji su već sintetizirani, ali čija svojstva još nisu u potpunosti shvaćena.

"Mehanofori prijelaznih metala relativno su neistraženi i vjerojatno ih je malo teže napraviti", kaže Kulik. "Ovaj računalni tijek rada može se široko koristiti za proširenje prostora mehanofora koje su ljudi proučavali." Suradnja između računalne znanosti i eksperimentalne kemije, financirana od strane Nacionalne zaklade za znanost kroz Centar za kemiju molekularno optimiziranih mreža (MONET), otvara novo poglavlje u dizajnu materijala, obećavajući budućnost u kojoj su materijali ne samo jači, već i pametniji i održiviji.