Plastiche più duravoli con l’apprendimento automatico

Secondo i ricercatori del MIT e della Duke University, una nuova strategia per il rafforzamento dei materiali polimerici, che impiega l’apprendimento automatico, potrebbe contribuire a produrre plastiche più durevoli riducendo i rifiuti di plastica.

I ricercatori del MIT e della Duke University hanno identificato una nuova strategia per il rafforzamento dei materiali polimerici che potrebbe portare a plastiche più durevoli e a ridurre i rifiuti. Attraverso l’apprendimento automatico, i ricercatori hanno identificato molecole reticolanti che possono essere aggiunte ai materiali polimerici, consentendo loro di resistere a una maggiore forza prima di rompersi. Tali molecole reticolanti appartengono a una classe di molecole chiamate meccanofori, che cambiano forma o altre proprietà in risposta alla forza meccanica: “Queste molecole possono essere utili per produrre polimeri più resistenti in risposta alla forza. Si applica loro una certa sollecitazione e, invece di creparsi o rompersi, si ottiene qualcosa che ha una maggiore resilienza” afferma Heather Kulik, docente di chimica e autrice senior dello studio.

Le molecole meccanofori

I team del MIT e della Duke University ha voluto verificare se le molecole meccanofori si potessero usare per contribuire a rendere i polimeri più resistenti ai danni. I ricercatori si sono concentrati su molecole chiamate ferroceni, che si ritiene abbiano un potenziale come meccanofori. Poiché un approccio basato sull’apprendimento automatico avrebbe potuto accelerare notevolmente la caratterizzazione di queste molecole, i ricercatori del MIT e della Duke University ha deciso di utilizzare una rete neurale per identificare i ferroceni che avrebbero potuto essere promettenti meccanofori. I ricercatori sono partiti dalle informazioni di un database noto come Cambridge Structural Database, che contiene le strutture di 5.000 diversi ferroceni già sintetizzati. Hanno scoperto due caratteristiche principali che sembravano in grado di aumentare la resistenza allo strappo: l’interazione tra i gruppi chimici legati agli anelli del ferrocene e la presenza di molecole grandi e voluminose legate a entrambi gli anelli del ferrocene rendeva la molecola più incline a rompersi in risposta alle forze applicate. Mentre la prima di queste caratteristiche non era sorprendente, la seconda caratteristica non era qualcosa che un chimico avrebbe potuto prevedere in anticipo e non avrebbe potuto essere rilevata senza l’intelligenza artificiale. 

Plastiche più resistenti

Applicando una forza su ciascun polimero fino a strapparlo, i ricercatori hanno scoperto che il debole agente reticolante m-TMS-Fc produceva un polimero resistente e resistente allo strappo. Questo polimero si è rivelato circa quattro volte più resistente dei polimeri realizzati con ferrocene standard come agente reticolante: “Questo ha davvero grandi implicazioni perché, se pensiamo a tutte le plastiche che utilizziamo e a tutto l’accumulo di rifiuti plastici, se si rendono i materiali più resistenti, la loro durata sarà maggiore. Saranno utilizzabili per un periodo di tempo più lungo, il che potrebbe ridurre la produzione di plastica a lungo termine” afferma IIia Kevlishvili, autore principale dello studio.

I ricercatori sperano ora di utilizzare il loro approccio di apprendimento automatico per identificare meccanofori con altre proprietà desiderabili, come la capacità di cambiare colore o di diventare cataliticamente attivi in ​​risposta alla forza. Tali materiali potrebbero essere utilizzati come sensori di stress o catalizzatori commutabili, e potrebbero anche essere utili per applicazioni biomediche come la somministrazione di farmaci. In questi studi, i ricercatori intendono concentrarsi sui ferroceni e altri meccanofori contenenti metalli che sono già stati sintetizzati ma le cui proprietà non sono ancora del tutto comprese: “I meccanofori a base di metalli di transizione sono relativamente poco esplorati e probabilmente sono un po’ più difficili da realizzare. Questo flusso di lavoro computazionale può essere ampiamente utilizzato per ampliare lo spettro dei meccanofori studiati” conclude Kulik.

La ricerca è stata finanziata dal National Science Foundation Center for the Chemistry of Molecularly Optimized Networks (MONET).

Foto: David W. Kastner