Des chaînes de molécules, connues sous le nom de polymères, peuvent être assemblées en motifs pour créer différents effets visuels, tels que l’émission d’une certaine couleur lorsqu’elles sont exposées à la lumière ultraviolette ou à d’autres sources de lumière.

Les polymères sont utilisés dans le stockage de données, les encres de sécurité, les diodes électroluminescentes organiques (OLED) et même l’industrie de l’énergie solaire.

Jusqu’à présent, placer les molécules dans le bon ordre pour créer l’effet désiré a été un processus lent d’essais et d’erreurs, limitant son application pratique et son utilité.

Pour résoudre ce problème, le Dr Nastaran Meftahi, chercheur en sciences d’Exciton, de l’Université RMIT, sous la supervision du professeur Salvy Russo, a formé un modèle d’apprentissage automatique pour mieux comprendre le comportement qui se produit à l’intérieur et entre les molécules.

Bien qu’il n’ait qu’une quantité limitée de données à étudier, le modèle créé par Nastaran s’est avéré être un apprenant rapide.

Il a révélé de nouvelles informations importantes sur la façon d’assembler les polymères de manière plus efficace et efficiente pour une grande variété d’objectifs expérimentaux et commerciaux.

Guidés par le modèle, la doctorante Suiying Ye et son superviseur, le chercheur principal Dr Yinyin Bao à l’ETH Zurich, ainsi que leurs collaborateurs, ont pu confirmer que le transfert de charge au sein de la chaîne ou du réseau dépend du schéma d’arrangement des molécules. dans, et leur distance les uns des autres.

Grâce à ces informations, les chercheurs sont désormais en mesure de créer des chaînes de molécules qui afficheront des couleurs désignées en réponse à différents stimuli, notamment la lumière, les produits chimiques et l’énergie.

Les résultats ont été publiés dans la revue Chimie et sont disponibles ici.

« Une fois que nous avons eu le modèle d’apprentissage automatique qui nous a dit comment obtenir toutes les autres couleurs, nous avons pu obtenir un spectre complet », a déclaré Nastaran.

« Et c’est là que réside la valeur. Le modèle rend la recherche expérimentale meilleure et plus rapide.

« Et il ne s’agit pas seulement de rendre les choses de mieux en mieux, mais il s’agit de trouver des choses que vous n’auriez peut-être pas pu trouver par essais et erreurs.

« Vous n’auriez peut-être jamais atteint l’endroit que vous vouliez atteindre sur le spectre des couleurs sans apprentissage automatique. »

L’un des principaux avantages du nouveau procédé de synthèse de polymères est qu’il est simple et facile à reproduire et qu’il utilise des matériaux largement disponibles.

Yinyin a déclaré: « Ce travail pourrait être une source d’inspiration pour le domaine de la chimie des polymères et pour les personnes travaillant sur les matériaux sensibles aux stimuli. »

En utilisant les données collectées lors de la dernière expérience, un modèle d’apprentissage automatique encore plus complet pourrait être formé pour fournir de nouvelles informations à l’avenir.

« Les personnes qui développent de nouveaux matériaux pourraient également penser à utiliser des modèles d’apprentissage automatique formés sur des données existantes pour explorer plus de possibilités », a déclaré Suiying.