Học máy tăng tốc độ tổng hợp các vật liệu xốp

Những phản ứng hóa học thất bại thường ít được biết đến nên một lượng lớn dữ liệu này sẽ bị lãng phí. Các thí nghiệm cho thấy học máy có thể sử dụng dữ liệu đó để tối ưu hóa phản ứng tổng hợp vật liệu xốp.

Trực giác thường dẫn dắt sự lựa chọn của chúng ta trong suốt cuộc đời. Trong khoa học, trực giác cũng có vai trò trong việc thiết kế các thí nghiệm để trả lời hoặc thăm dò một câu hỏi mà chúng ta quan tâm. Chẳng hạn, nó hướng dẫn các nhà hóa học chọn một bộ thuốc thử, những phản ứng hoặc những điều kiện cụ thể để chuẩn bị thực hiện tổng hợp một hợp chất đích. Nhóm nghiên cứu do Moosavi, một nhà nghiên cứu ở Phòng thí nghiệm mô phỏng phân tử, trường Bách khoa Liên bang Lausanne, Thụy Sĩ, làm trưởng nhóm đã xuất bản một công bố trên tạp chí Nature Communicatons về việc sử dụng học máy để nắm bắt loại trực giác này và tối ưu hóa phản ứng tổng hợp một loại vật liệu là vật iệu khung hữu cơ kim loại (MOFs), vốn có nhiều ứng dụng như lưu trữ nhiên liệu, làm chất xúc tác hoặc hấp thu nước từ khí quyển.

Vật liệu khung hữu cơ-kim loại (MOFs) được tạo thành từ các cầu nối hữu cơ và các tâm kim loại (làm điểm kết nối). MOFs có những tính chất độc đáo như có cấu trúc tinh thể, diện tích bề mặt riêng lớn, khung cấu trúc linh động, có thể thay đổi kích thước, hình dạng lỗ xốp và đa dạng nhóm chức hóa học bên trong lỗ xốp.

Để tạo ra MOF, các “nút” vô cơ được kết nối với các phân tử “liên kết” hữu cơ. Có thể tưởng tượng những vật liệu này như những khung chứa các phân tử, trong đó cầu nối là các thanh kim loại và các nút là điểm kết nối – chỗ những thanh kim loại được ghép lại với nhau. MOF có cấu trúc phân tử lớn, mở rộng và nhiều không gian trống, giúp chúng trở thành vật liệu xốp nhất trong số các vật liệu từng được tổng hợp (diện tích bề mặt riêng lớn), đây là nền tảng cho nhiều ứng dụng tiềm năng của MOF.

Sự dạng của các “cầu nối” và “nút” sẵn có khiến số lượng vật liệu MOF có thể tạo ra gần như vô hạn – hàng ngàn vật liệu MOF đã được tổng hợp hợp trong 20 năm qua, thậm chí có thể nhiều hơn. Tuy nhiên, trong mỗi báo cáo về kết quả tổng hợp MOF, đã có hàng chục (thậm chí là hàng trăm hoặc hàng ngàn) các phản ứng bị thất bại, không tạo ra được vật liệu như mong muốn. Lượng dữ liệu về các phản ứng thất bại này có thể được sử dụng để dự đoán và tối ưu hóa các nghiên cứu tổng hợp MOF trong tương lai.

Để cố gắng tái tạo, từ đó nắm bắt loại thông tin không được công bố này, Moosavi và nhóm nghiên cứu đã sử dụng một hệ thống robot để thực hiện một loạt các thí nghiệm nhằm khám phá tác động của những điều kiện phản ứng khác nhau – thay đổi về dung môi, nhiệt độ, nồng độ chất phản ứng,… – trong quá trình tổng hợp vật liệu MOF có chứa đồng (HKUST-1). Robot này có thể thực hiện 30 phản ứng mỗi ngày, nhờ đó họ có thể thu được một tập hợp dữ liệu điều kiện để các phản ứng thành công hoặc thất bại. Dữ liệu sau đó được xử lý bằng một thuật toán bắt chước các quá trình di truyền và tiến hóa: mỗi lần lặp của thuật toán sẽ tạo ra áp lực lựa chọn cho dữ liệu – để chọn ra những điều kiện phù hợp nhất.

Moosavi và đồng nghiệp đã thực hiện 30 thí nghiệm theo 3 lần riêng biệt, trong đó sử dụng thuật toán đó và chất lượng của các mẫu MOF được tạo ra trong mỗi lần để hướng dẫn cho những lần tiếp theo. Do đó, các tác giả đã xác định được một quy trình tối ưu hóa để tạo ra HKUST-1, một vật liệu dẻo có độ kết tinh tuyệt vời và độ tinh khiết pha (đo tỷ lệ các dạng tinh thể khác nhau có trong vật liệu) và diện tích bề mặt lớn – tất cả là đặc tính mong muốn cho các ứng dụng của MOF. Thông thường, chỉ có những điều kiện tối ưu hóa mới được công bố trong tài liệu, tất cả dữ liệu về những phản ứng khác sẽ được lưu trữ trong một cuốn sổ tay, không được quan tâm (hoặc thời nay là bị chôn vùi trong kho lưu trữ kỹ thuật số của một cuốn sổ tay điện tử).

Thay vào đó, Moosavi và nhóm nghiên cứu đã sử dụng học máy để phân tích các phản ứng thất bại. Bằng cách này, họ đã xác định các tham số phản ứng có ảnh hưởng lớn nhất tới chất lượng của những vật liệu MOF được tạo ra. Ví dụ, các tác giả phát hiện được rằng sự thay đổi nhiệt độ phản ứng có ảnh hưởng lớn tới độ kết tinh và diện tích bề mặt hơn là hệ số tỷ lượng của các “cầu nối” và các “nút” trong phản ứng. Bằng cách xếp hạng và phân tích tầm quan trọng tương đối của 9 chỉ số phản ứng, các tác giả đã tạo ra thông tin tương tự như trực giác mách bảo của một nhà hóa học.

Moosavi và các đồng nghiệp đã sử dụng “trực giác hóa học” này để triển khai phản ứng tổng hợp Zn-HKUST-1 – một vật liệu MOF tương tự như HKUST-1, nhưng có các “nút” kẽm chứ không phải “nút” đồng. Điều này có vẻ không có gì là khó khăn, đặc biệt khi đồng và kẽm khá giống nhau về tính chất hóa học. Tuy nhiên, các tác giả đã nhận thấy rằng 10 điều kiện phản ứng được sử dụng nhiều nhất để tổng hợp HKUST-1 đều thất bại khi áp dụng với Zn-HKUST-1. Đây là một khó khăn lớn đối với các nhà hóa học, thông thường họ sẽ phải tính toán lại từ đầu, thử nghiệm nhiều tập hợp điều kiện phản ứng khác nhau.

Ngược lại, Moosavi và nhóm nghiên cứu tập trung vào các tham số phản ứng vượt trội được xác định bằng học máy, và phát hiện hiện ra hai tập hợp điều kiện tạo ra Zn-HKUST-1 chỉ sau 20 phản ứng thử nghiệm. Các tác giả cho biết sẽ phải thực hiện hàng ngàn phản ứng để tìm ra kết quả này, nếu tiếp cận theo cách thông thường chứ không sử dụng học máy.

Moosavi và các đồng nghiệp cho biết dữ liệu được tạo ra trong các thí nghiệm của họ là nguồn lý tưởng cho các phân tích học máy – việc thiết lập robot sẽ kiểm soát chính xác các tham số phản ứng, giảm các biến trong kết quả đầu ra, và chỉ cần 1 phản ứng tổng hợp. Dữ liệu được tạo ra từ một tập hợp các phản ứng tổng hợp khác nhau sẽ khó xử lý hơn. Ngoài ra, các tác giả tập trung vào chất lượng của các vật liệu MOF, nhưng không báo cáo các kết quả quan trọng khác, chẳng hạn như hiệu suất phản ứng. Các phản ứng tổng hợp MOF hiệu suất thấp sẽ không được quan tâm, ngay cả khi chúng tạo ra những vật liệu chưa từng được biết đến.

Mặc dù vậy, công trình của Moosavi và các đồng nghiệp có thể góp phần cải thiện đáng kể và đẩy nhanh quá trình tổng hợp MOF. Các tác giả đã cung cấp phần mềm trực tuyến (go.nature.com/2dtppxn) để các nhà hóa học có thể đóng góp vào trực giác hóa học tập thể bằng cách báo cáo những điều kiện phản ứng thành công và thất bại. Kiểu đóng góp chung này nên được khuyến khích, và có thể mang lại lợi ích lớn cho cộng đồng nghiên cứu về MOF. 

Thanh An dịch

Nguồnhttps://www.nature.com/articles/d41586-019-00639-3

Tác giả