2023-11-02 アメリカ合衆国・国立再生可能エネルギー研究所(NREL)
・ NREL が、バイオマスや廃棄物による持続可能性と優れた特性のプラスチック材料特性を予測する機械学習(ML)ツール、「PolyID(Polymer Inverse DesignTM）を開発。
・ 21 世紀における材料科学分野の課題は、化石燃料を使用せずに持続可能性と高性能を併せ持つポリマ－材料の最適な作製方法の発見。バイオマス、廃棄物や従来の原料より数百万種にも及ぶ材料製造が可能であるため、新しいポリマー設計において持続可能性を優先することは、最も優れた化学者にとっても困難なこと。
・ PolyID は、数百万種類にも及ぶポリマー設計のスクリーニングを可能にし、アプリケーションに適したプ
ラスチック材料の候補を提案する。そのアルゴリズムは「原子団寄与法」と呼ばれる基礎的なアプローチ
を進展させたもので、酸素、水素、炭素や他の元素の配列と材料特性の関連性を構築して弾性、耐熱性
や密封性といった特性を予測する。
・ ポリマーの分子構造とそれらの既知の特性との関連性のライブラリの構築により、特定の物理特性を達成する新しいポリマ―材料の設計方法を提示する。数千種類のポリマー材料でアルゴリズムを訓練すれば、これまで存在のなかった、または製造されたことのない構造を極めて正確に予測する。
・ 1 万 5 千種類を超える植物ベースのポリマ―を PolyID で高速でスクリーニングし、生分解性のパッケージングフィルム用のポリマー設計を予測。化石燃料由来の高密度ポリエチレン(HDPE)製のパッケージングフィルムは高温度を耐久し、強力な防湿状態を作って食品の鮮度を保つ。
・ 高温度耐久性、防湿性、さらに生分解性や温暖化ガスのフットプリント等の特性を加えると、PolyID はバイオマスで製造できる 7 種類のポリマー設計を生成。これらのポリマー設計を試験した結果、高温度を耐久しながら温室効果ガス排出量を低減し、食品鮮度をより長期間保持できることを確認した。
・ 本研究には、米国エネルギー省(DOE) エネルギー効率・再生可能エネルギー局(EERE) バイオエネルギー技術局(BETO)が資金を提供した。
URL: https://www.nrel.gov/news/program/2023/pick-your-polymer-properties-and-this-nrel-tool-predicts-how-to-achieve-them-with-biomass.html
＜NEDO海外技術情報より＞
関連情報
Macromolecules 掲載論文(フルテキスト）
PolyID: Artificial Intelligence for Discovering Performance-Advantaged and Sustainable Polymers
URL: https://pubs.acs.org/doi/10.1021/acs.macromol.3c00994
Abstract
A necessary transformation for a sustainable economy is the transition from fossil-derived plastics to polymers derived from biomass and waste resources. While renewable feedstocks can enhance material performance through unique chemical moieties, probing the vast material design space by experiment alone is not practically feasible. Here, we develop a machine-learning-based tool, PolyID, to reduce the design space of renewable feedstocks to enable efficient discovery of performance-advantaged, biobased polymers. PolyID is a multioutput, graph neural network specifically designed to increase accuracy and to enable quantitative structure–property relationship (QSPR) analysis for polymers. It includes a novel domain-of-validity method that was developed and applied to demonstrate how gaps in training data can be filled to improve accuracy. The model was benchmarked with both a 20% held-out subset of the original training data and 22 experimentally synthesized polymers. A mean absolute error for the glass transition temperatures of 19.8 and 26.4 °C was achieved for the test and experimental data sets, respectively. Predictions were made on polymers composed of monomers from four databases that contain biologically accessible small molecules: MetaCyc, MINEs, KEGG, and BiGG. From 1.4 × 106 accessible biobased polymers, we identified five poly(ethylene terephthalate) (PET) analogues with predicted improvements to thermal and transport performance. Experimental validation for one of the PET analogues demonstrated a glass transition temperature between 85 and 112 °C, which is higher than PET and within the predicted range of the PolyID tool. In addition to accurate predictions, we show how the model’s predictions are explainable through analysis of individual bond importance for a biobased nylon. Overall, PolyID can aid the biobased polymer practitioner to navigate the vast number of renewable polymers to discover sustainable materials with enhanced performance.
