23 de mayo de 2023 (Proyector Nanowerk) Materiales blandos como polímeros, gomas y hidrogeles desempeñar un papel importante en su vida cotidiana. Desde los neumáticos de su automóvil hasta el elástico de su ropa de casa favorita, desde dispositivos electrónicos flexibles de vanguardia hasta tecnología portátil como tatuajes electrónicos, estos materiales versátiles están en todas partes. Sin embargo, para usar estos materiales de manera efectiva en una variedad tan amplia de aplicaciones, sus propiedades mecánicas deben adaptarse con precisión. Por ejemplo, los sensores portátiles como la piel electrónica y los tatuajes deben ser lo suficientemente suaves (en términos científicos, necesitan un módulo de Young relativamente bajo) para adaptarse a la tensión natural de nuestra piel. También necesitan una elasticidad moderada para moverse con nuestro cuerpo sin causar molestias. Cuando se utilizan en robótica blanda, estos materiales necesitan una variedad de propiedades para la biocompatibilidad o para imitar diseños biológicos. Además, cuando se utilizan en pieles artificiales, los materiales deben ser robustos, duraderos y resistentes. El truco para lograr estas propiedades únicas radica en manipular cuidadosamente aspectos como las cadenas poliméricas, la composición de los monómeros y los enlaces de hidrógeno intermoleculares. Sin embargo, la confección de estos materiales no es un asunto trivial. Requiere una comprensión profunda de la química de los materiales y múltiples ensayos experimentales. Este proceso puede ser un obstáculo importante para los usuarios finales que necesitan materiales con propiedades mecánicas específicas para sus aplicaciones. Por lo tanto, un nuevo enfoque para este proceso de diseño es crucial. Sistema de diseño de materiales blandos y demostración del proceso de diseño. a) Proceso de diseño de materiales blandos utilizando el sistema de diseño. El sistema toma las propiedades mecánicas deseadas como entrada y devuelve las condiciones experimentales en forma de (X1, X2 y X3). b) Ejemplos de un elastómero con alto módulo de Young (b-1) y un elastómero con alta deformación a la rotura (es decir, alta capacidad de estiramiento) (b-2). (Reimpreso con permiso de Wiley-VCH Verlag)

El auge del aprendizaje automático en el diseño de materiales

Aquí es donde entra en juego el poder del aprendizaje automático y la informática de materiales. Estos avances han acelerado significativamente el proceso de descubrimiento de materiales. Los algoritmos de aprendizaje automático pueden detectar patrones sutiles en conjuntos de datos que serían difíciles de identificar solo a través de la intuición humana. Esta capacidad permite el diseño inverso de los materiales. Eso significa usar un conjunto de propiedades deseadas del material para determinar los parámetros experimentales, lo que acelera significativamente el proceso de diseño. Sin embargo, el uso de modelos de aprendizaje automático en estudios experimentales presenta sus desafíos. La recopilación de grandes cantidades de datos experimentales de alta calidad necesarios para el entrenamiento del modelo puede llevar mucho tiempo y esfuerzo. Afortunadamente, han surgido estrategias innovadoras para recopilar datos de alta calidad con un esfuerzo reducido, como utilizar cuadernos de laboratorio archivados o aplicar técnicas de diseño experimental como el diseño de experimentos (DoE).

Un enfoque basado en datos para el diseño de materiales blandos

Un desarrollo emocionante en el campo es la aplicación de un enfoque basado en datos para adaptar las propiedades mecánicas de un material blando. En un estudio reciente en Materiales funcionales avanzados(“Enfoque basado en datos para adaptar las propiedades mecánicas de un material blando”), investigadores de la Universidad de Stanford demostraron este enfoque utilizando elastómero de poliuretano (PU), un tipo común de material blando. El equipo ajustó las propiedades mecánicas del elastómero de PU cambiando la relación de mezcla de sus componentes. Recopilaron datos sobre las propiedades mecánicas del material, como el módulo de Young, la deformación a la rotura, la resistencia máxima y la tenacidad. Usando estos datos, entrenaron modelos de aprendizaje automático para predecir estas propiedades en función de las proporciones de mezcla. Se prepararon cinco muestras para verificación experimental. Se presentan las propiedades mecánicas deseadas, etiquetadas como "Predichas" en los gráficos, y las propiedades mecánicas medidas: módulo de Young c), deformación a la rotura d), resistencia máxima e) y tenacidad f). Las barras de error de los puntos de datos "medidos" indican una desviación estándar calculada a partir de 1 datos medidos. (Reimpreso con permiso de Wiley-VCH Verlag) La belleza de este método es que puede hacer un 'diseño inverso'. Ingresa las propiedades mecánicas que desea y el modelo escupe la receta sintética para lograr esas propiedades. Los investigadores probaron esto mediante la creación de muestras de elastómero utilizando estas recetas y descubrieron que las propiedades mecánicas resultantes coincidían estrechamente con las propiedades de entrada. Los investigadores concluyen que este enfoque basado en datos para el diseño de materiales blandos, utilizando el aprendizaje automático, puede predecir y adaptar con precisión las propiedades mecánicas de estos materiales con un conjunto de datos sorprendentemente pequeño. Al centrarse en la información estructural macroscópica controlada por recetas sintéticas, este enfoque puede proporcionar materiales blandos con propiedades cercanas a las deseadas. El éxito de esta investigación podría estimular una mayor discusión entre la investigación de materiales y inteligencia artificial comunidades de investigacion. También podría impulsar el desarrollo de nuevos algoritmos diseñados específicamente para pequeños conjuntos de datos, un desafío común en el campo. Al utilizar enfoques basados ​​en datos y aprendizaje automático, podemos explorar varios sistemas de materiales blandos y procesos de diseño de manera más eficiente, lo que nos acerca un paso más a la automatización del laboratorio.

By

Michael
Berger

– Michael es autor de tres libros de la Royal Society of Chemistry:
Nano-sociedad: empujando los límites de la tecnología,
Nanotecnología: el futuro es pequeño y
Nanoingeniería: las habilidades y herramientas que hacen que la tecnología sea invisible
Copyright ©

Nanowerk LLC

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
• Acuñando el futuro con Adryenn Ashley. Accede Aquí.
• Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
• Fuente: https://www.nanowerk.com/spotlight/spotid=63045.php