Les scientifiques recherchent souvent de nouveaux matériaux dérivés de polymères. Plutôt que de démarrer une recherche en polymère à partir de zéro, ils économisent du temps et de l'argent en mélangeant des polymères existants pour atteindre les propriétés souhaitées.
Mais identifier le meilleur mélange est un problème épineux. Non seulement il y a un nombre pratiquement illimité de combinaisons potentielles, mais les polymères interagissent de manière complexe, de sorte que les propriétés d'un nouveau mélange sont difficiles à prévoir.
Pour accélérer la découverte de nouveaux matériaux, les chercheurs du MIT ont développé une plate-forme expérimentale entièrement autonome qui peut identifier efficacement les mélanges de polymère optimaux. Le document est publié dans la revue Matière.
Le flux de travail en boucle fermée utilise un algorithme puissant pour explorer une large gamme de mélanges de polymère potentiels, alimentant une sélection de combinaisons à un système robotique qui mélange des produits chimiques et teste chaque mélange.
Sur la base des résultats, l'algorithme décide quelles expériences pour mener ensuite, poursuivant le processus jusqu'à ce que le nouveau polymère atteigne les objectifs de l'utilisateur.
Au cours des expériences, le système a identifié de manière autonome des centaines de mélanges qui ont surpassé leurs polymères constitutifs. Fait intéressant, les chercheurs ont constaté que les mélanges les plus performants n'utilisaient pas nécessairement les meilleurs composants individuels.
« J'ai trouvé que c'est une bonne confirmation de la valeur de l'utilisation d'un algorithme d'optimisation qui considère le plein espace de conception en même temps », explique Connor Coley, professeur adjoint de développement de carrière de 1957 dans les départements du MIT en génie chimique et en génie électrique et en informatique, et auteur principal du journal.
« Si vous considérez l'espace de formulation complet, vous pouvez potentiellement trouver des propriétés nouvelles ou meilleures. En utilisant une approche différente, vous pouvez facilement ignorer les composants sous-performants qui sont les parties importantes du meilleur mélange. »
Ce flux de travail pourrait un jour faciliter la découverte de matériaux de mélange en polymère qui conduisent à des progrès tels que des électrolytes de batterie améliorés, des panneaux solaires plus rentables ou des nanoparticules personnalisées pour une livraison de médicaments plus sûre.
Coley est rejoint sur le journal par l'auteur principal Guangqi Wu, un ancien postdoc du MIT qui est maintenant boursier postdoctoral Marie Skłodowska-Curie à l'Université d'Oxford; Tianyi Jin, étudiant diplômé du MIT; et Alfredo Alexander-Katz, le professeur Michael et Sonja Koerner dans le département des sciences et de l'ingénierie du MIT.
Construire de meilleurs mélanges
Lorsque les scientifiques conçoivent de nouveaux mélanges de polymères, ils sont confrontés à un nombre presque infini de polymères possibles pour commencer. Une fois qu'ils en ont sélectionné quelques-uns pour mélanger, ils doivent toujours choisir la composition de chaque polymère et la concentration de polymères dans le mélange.
« Avoir ce grand espace de conception nécessite des solutions algorithmiques et des workflows à débit plus élevé parce que vous ne pouviez tout simplement pas tester toutes les combinaisons en utilisant la force brute », ajoute Coley.
Alors que les chercheurs ont étudié les flux de travail autonomes pour les polymères uniques, moins de travail s'est concentré sur les mélanges de polymères en raison de l'espace de conception considérablement plus grand.
Dans cette étude, les chercheurs du MIT ont recherché de nouveaux mélanges d'hétéropolymères aléatoires, fabriqués en mélangeant deux polymères ou plus avec différentes caractéristiques structurelles. Ces polymères polyvalents ont montré une pertinence particulièrement prometteuse pour la catalyse enzymatique à haute température, un processus qui augmente le taux de réactions chimiques.
Leur flux de travail en boucle fermée commence par un algorithme qui, en fonction des propriétés souhaitées par l'utilisateur, identifie de manière autonome une poignée de mélanges de polymère prometteurs.
Les chercheurs ont initialement essayé un modèle d'apprentissage automatique pour prédire les performances de nouveaux mélanges, mais il était difficile de faire des prédictions précises à travers l'espace de possibilités astronomiquement grand. Au lieu de cela, ils ont utilisé un algorithme génétique, qui utilise des opérations d'inspiration biologique comme la sélection et la mutation pour trouver une solution optimale.
Leur système code la composition d'un mélange de polymère dans ce qui est effectivement un chromosome numérique, que l'algorithme génétique améliore itérativement pour identifier les combinaisons les plus prometteuses.
« Cet algorithme n'est pas nouveau, mais nous avons dû modifier l'algorithme pour nous adapter à notre système. Par exemple, nous avons dû limiter le nombre de polymères qui pourraient être dans un seul matériau pour rendre la découverte plus efficace », ajoute Wu.
De plus, parce que l'espace de recherche est si grand, ils ont réglé l'algorithme pour équilibrer son choix d'exploration (rechercher des polymères aléatoires) par rapport à l'exploitation (optimiser les meilleurs polymères de la dernière expérience).
L'algorithme envoie 96 mélanges de polymère à la fois à la plate-forme robotique autonome, qui mélange les produits chimiques et mesure les propriétés de chacun.
Les expériences se sont concentrées sur l'amélioration de la stabilité thermique des enzymes en optimisant l'activité enzymatique retenue (REA), une mesure de la stabilité d'une enzyme après le mélange avec les mélanges de polymère et d'être exposés à des températures élevées.
Ces résultats sont renvoyés à l'algorithme, qui les utilise pour générer un nouvel ensemble de polymères jusqu'à ce que le système trouve le mélange optimal.
Accélérer la découverte
La construction du système robotique impliquait de nombreux défis, tels que le développement d'une technique pour chauffer uniformément les polymères et optimiser la vitesse à laquelle la pointe de la pipette monte et descend.
« Dans les plateformes de découverte autonomes, nous mettons l'accent sur les innovations algorithmiques, mais il existe de nombreux aspects détaillés et subtils de la procédure que vous devez valider avant de pouvoir faire confiance aux informations qui en découlent », explique Coley.
Lorsqu'ils sont testés, les mélanges optimaux identifiés ont souvent surpassé les polymères qui les ont formés. Le meilleur mélange global a permis 18% de mieux que n'importe lequel de ses composants individuels, atteignant un REA de 73%.
« Cela indique que, au lieu de développer de nouveaux polymères, nous pouvons parfois mélanger les polymères existants pour concevoir de nouveaux matériaux qui fonctionnent encore mieux que les polymères individuels », explique Wu.
De plus, leur plate-forme autonome peut générer et tester 700 nouveaux mélanges de polymère par jour et ne nécessite que l'intervention humaine pour remplir et remplacer les produits chimiques.
Bien que cette recherche se soit concentrée sur les polymères pour la stabilisation des protéines, leur plate-forme pourrait être modifiée pour d'autres utilisations, comme le développement de nouveaux plastiques ou électrolytes de batterie.
En plus d'explorer des propriétés de polymère supplémentaires, les chercheurs souhaitent utiliser des données expérimentales pour améliorer l'efficacité de leur algorithme et développer de nouveaux algorithmes pour rationaliser les opérations du gestionnaire de liquide autonome.
