开拓材料信息学：来自分子设计的清洁技术
在材料科学和技术相关材料的设计和合成中，一个基本问题涉及到所谓的结构-性能关系。给定一个分子或晶体的结构，我们如何推断系统将表现出哪些特性?此外，它将如何在现实条件下表现，它将如何与环境相互作用?
近年来，高级量子机械方法的发展可以提供关于宽类材料的性质的大量信息。这些方法可以考虑系统的稳定性，化学粘合图案，甚至是电子或光学性质，以及使用复杂的实验技术来探讨材料的结构和性质。这些方法通常可用于指导具有增强能力的新材料的发现，例如用于清洁生产或能量储存，或从环境中移除有毒剂。
然而，即使使用复杂的统计或基于机器学习的方法来探索可用数据，以稳健和系统的方式使用大量信息进行属性预测也是非常有问题的。当必须研究和预测与已知材料几乎没有相似之处的全新材料时，问题就变得更加复杂了。
材料信息
“挑战”，纽约布法罗大学rajan教授说，“是结构 - 财产关系往往是非线性的，目标是寻求多个长度和时间尺度之间的模式。很少可以有意义和准确地捕获此类信息的单个多尺度理论。“为了解决这一挑战，我们不仅需要搜索大数据集的有效策略，还需要通过生成可以在数据本身基于基于模型之外的信息的信息来从这些数据中学习的技术。
加速材料发现的一个关键挑战是如何快速识别多个长度和时间尺度之间的模式。
Rajan教授建立了一个研究中心，材料设计与创新系(MDI)，再生经济合作实验室，探索如何在基本分子尺度上开发“量子签名”，以指导清洁材料的合理设计。通过使用先进的机器学习技术，他们可以弥补仅凭理论和启发式无法获取的知识缺口。他的方法标志着材料发现范式的改变，重点从简单地在大量数据中搜索，转移到识别关键材料的物理和化学(或“无机基因”)，可以集成到统计和机器学习方法中。这可以提供在新材料中管理目标功能的设计规则。这些无机基因编码的基本信息，共同特征的稳定性和性质的材料。它们允许我们绘制材料描述的复杂性，即这些基本信息如何自组织和自组装，最终赋予材料特性。
连接计算化学和机器学习
Rajan教授开发的材料信息方法旨在设计具有有针对性的物质的材料。它涉及基于实验和理论证据选择许多结构，化学和加工参数。在此参数选择期间，重要的是不要错过可以保留预测材料属性的线索的关键描述符。
“我们已经利用和增强了分子结构的机器可读代表，”rajan教授解释说：“允许我们迅速探索并成功地预测大量材料的多尺度属性。”在该表示中编码的信息允许一个人瞄准由除其化学以外的度量影响影响的材料的那些属性。这些宏观特性是集体现象远远超出量子原子理论描述的微观尺度的结果。
可持续材料发现
尽管材料信息学在属性预测方面有巨大的潜力，但材料设计有一个重要方面需要解决:新材料或其制备技术可能对环境产生的影响，以及它们可能对人类健康造成的危害。Rajan教授的工作重点是材料的化学设计，考虑材料生命周期各个阶段的潜在环境影响——从合成、制造到报废替换。此外，它还寻求考虑材料的工程功能。
这是一项艰巨的任务，需要仔细使用机器学习技术和计算化学。在Rajan教授的领导下，在MDI采用的方法中，环境和健康考虑从一开始就包含在材料的设计空间中。这些问题与技术和工程问题是同等对待的。这增加了整个材料发现过程的复杂性，但它也提供了一个途径，以创造新的材料，展示新的或改进的功能，同时环境安全。
性能和安全
拉詹教授开发了新的加速计算方法来建立分子“指纹”。这些可以作为战略标记，快速识别新材料的化学成分，并为评估生产过程中使用的有机化学品的环境危害提供强有力的指南。
这种方法应用的一个重要例子一直是诸如和多氟烷基物质（PFASS）的情况下，这些方法是在全球各种行业中使用的人造化学品。曾经吸附过，这些化学品充当环境和人体中的非常持久性和危险的污染物。暴露于PFA可以导致不良人体健康影响，包括肝脏，肾和免疫条件以及癌症。
解决化学品环境和健康问题问题的主要挑战是与我们需要探索的巨大化学空间相比数据的稀疏性。利用信息学，建模和机器学习技术，Rajan的集团开发了一种框架，用于估计毒性影响的毒性影响的毒性影响的可能性迅速增加的PFA相关化合物的毒性影响造成的危险数据不存在的环境。
将机器学习和计算化学描述符连接起来，为探索新材料的结构-性质关系提供了一个强有力的工具。
使用强大的机器基于机器学习的方法，用于可视化大集的不平衡和稀疏数据，Rajan教授已经能够开发加速方法，以估计先前未测量的PFAS属性。这使他能够量化现有PFASS的替代品的潜在毒性，甚至可以为这些系统的最重要的安全问题提供指导。虽然遗产净资料已被禁止在全球范围内，但rajan教授开发的方法提供了对新的PFAS化合物及其毒性进行分类的指导。这种强大的方法还将有助于开发相似度指标，以指导选择替代和更安全的化学品;为物料设计中的更安全化学品提供环境意识选择的信息框架。
可再生能源技术材料
Rajan教授已经将他的材料性能预测方法应用到几种可能与可持续能源生产有重大关联的重要化合物上。他的方法成功的一个例子是能够预测立方钙钛矿晶体的结构性质。这些材料对太阳能电池的发展很重要，生产成本低，易于制造。
拉泽教授开发了一种独特的机器学习框架，使用计算的分子特性捕获化学粘合与粘合几何之间的相互作用的量子。根据复杂的三维形状（称为Hirshfeld表面），可视化这种计算的一种形式的一种形式，其编码有关诸如分子包装，分子形状，密切接触点和晶体间的间晶体间的信息。它们通常用于将分子构建块组装和形成多组分系统中的柔性或刚性结构的能力来合理化。
结合机器学习方法，Hirshfeld表面提供了可靠预测钙钛矿晶体晶格参数(以及可能的其他性质)的指纹。基于Hirshfeld表面的机器学习方法也被用于研究金属-有机框架(MOFs)——一种极其丰富的介孔材料——它可以合成出各种孔径、几何形状和网络结构。这可以应用在几个领域，包括膜技术和化学隔离。
Rajan教授提出的方法允许人们将MOF的化学和晶体特性与揭开化学粘合与网络几何形状的相互作用之间的高尺寸相关性映射在化学粘合和网络几何之间的相互作用之间治理不同家庭之间的关系。这种相关性分析提供了关于如何工程师创造新的MOF结构的坚实指南，并优化其作为可再生能源技术中应用的材料的能力，如碳捕获。
个人反应
你们发现材料的方法不仅能可靠地预测将要制造的新材料的技术功能，而且还能评估其制造或使用过程中潜在的健康和环境危害。你们所开发的方法在哪些技术领域会产生最大的影响?你们计划在未来应对哪些挑战?
我们需要对引起环境和人类毒性的分子机制的整体理解，以便我们能够开发出现的性能定义，包括材料功能以及材料的合成和制造所涉及的固有潜在危险。采用这种整体方法的关键障碍是信息学技术的开发和战略应用，可以发现可以发现与化学物质，材料，功能和环境影响有关的新和未开发的途径和联系。这将有助于我们实现先验方法，以“良好设计”可持续材料发现的方法。