نهج قائم على التعلم الآلي لتحديد الأفلام النانوية لبدائل البلاستيك القابلة للتحلل

يشكل تراكم النفايات البلاستيكية في البيئة الطبيعية مصدر قلق كبير لأنه يساهم في تدمير النظم البيئية ويضر بالحياة المائية. في السنوات الأخيرة، حاول علماء المواد تحديد البدائل الطبيعية للمواد البلاستيكية التي يمكن استخدامها لتغليف أو تصنيع المنتجات.

ابتكر الباحثون في جامعة ميريلاند، كوليدج بارك، مؤخرًا نهجًا جديدًا لإيجاد بدائل بلاستيكية واعدة قابلة للتحلل. تم توضيح طريقتهم المقترحة في ورقة نشرت داخل تكنولوجيا النانو الطبيعةيدمج أحدث تقنيات التعلم الآلي مع العلوم الجزيئية.

وقال البروفيسور بو-ين تشين، المؤلف المشارك للورقة البحثية، لـ TechExplorer: “لقد كان مصدر إلهامي لهذا البحث هو زيارة عام 2019 إلى بالاو في غرب المحيط الهادئ”. “إن تأثير التلوث البلاستيكي على الحياة البحرية – تأثير الأفلام البلاستيكية العائمة – الأفلام البلاستيكية التي تخدع الأسماك والسلاحف البحرية في الخلط بين النفايات البلاستيكية والغذاء – أمر يثير قلقًا عميقًا. لقد ألهمني تطبيق خبرتي على هذه القضية البيئية أقوم بإعداد مختبر الأبحاث الخاص بي في UMD.”

إن الطرق التقليدية والمستخدمة سابقًا للبحث عن بدائل بلاستيكية مستدامة تستغرق وقتًا طويلاً وغير فعالة. وفي كثير من الحالات، تعطي نتائج سيئة، على سبيل المثال، العثور على مواد قابلة للتحلل ولكن ليس لها خصائص مرغوبة مثل البلاستيك.

يعتمد النهج المبتكر لتحديد البدائل البلاستيكية المقدمة في هذه الورقة الأخيرة على نموذج التعلم الآلي الذي طوره تشين.

بالإضافة إلى كونه أسرع من الطرق التقليدية للبحث عن المواد، فإن هذا النهج مفيد جدًا في العثور على المواد التي يمكن استخدامها بشكل واقعي في التصنيع والبيئات الصناعية. قام تشين، بالتعاون الوثيق مع زملائه دينغ لي وليانغ بينغ هو، بتطبيق تقنية التعلم الآلي لإيجاد بدائل بلاستيكية بالكامل.

وأوضح تشين: “من خلال الجمع بين الروبوتات الآلية والتعلم الآلي ومحاكاة الديناميكيات الجزيئية، قمنا بتسريع تطوير بدائل بلاستيكية طبيعية وصديقة للبيئة تلبي معايير الأداء الأساسية”. “يجمع نهجنا المتكامل بين الروبوتات الآلية والتعلم الآلي وحلقات التعلم النشط لتسريع عملية تطوير البدائل البلاستيكية القابلة للتحلل.”

أولاً، قام تشن وزملاؤه بتجميع مكتبة واسعة من أفلام المركبات النانوية التي تم الحصول عليها من مصادر طبيعية مختلفة. وقد تم ذلك باستخدام روبوت سحب مستقل يمكنه تحضير العينات المخبرية بشكل مستقل.

ثم استخدم الباحثون مكتبة النماذج هذه لتدريب نموذج تشين القائم على التعلم الآلي. أثناء التدريب، يصبح النموذج أكثر مهارة بشكل تدريجي في التنبؤ بخصائص الأشياء بناءً على تركيبها، من خلال عملية تسمى التعلم التكراري.

وقال تشين: “إن التآزر بين الروبوتات والتعلم الآلي لا يؤدي فقط إلى تسريع اكتشاف بدائل البلاستيك الطبيعية، بل يسمح أيضًا بالتصميم المستهدف للبدائل البلاستيكية ذات خصائص محددة”. “بالمقارنة مع طريقة البحث التقليدية القائمة على التجربة والخطأ، فإن منهجنا يقلل بشكل كبير من الوقت والموارد المطلوبة.”