Американские ученые из Калифорнийского университета и Техасского университета в Остине показали, что машинное обучение пригодно для разработки эффективных фильтров для воды. Им удалось подобрать конфигурацию фильтра, задерживающего нейтральные малые молекулы. Исследование опубликовано в журнале ACS Central Science.
Фильтры для воды используются как в домашнем хозяйстве, так и в промышленности. Несмотря на их распространенность, фильтры с трудом справляются с очисткой воды, если она чрезмерно загрязнена или содержит нейтральные малые молекулы. К таким веществам относится, например, борная кислота, которая используется как инсектицид. Дело в том, что синтетические пористые материалы, которые обычно применяются для изготовления фильтров, могут отделять от воды молекулы, основываясь либо на размере, либо на заряде. Биологические мембраны же содержат поры из белков, например аквапоринов, которые отделяют молекулы и по заряду, и по размеру. Эта особенность аквапоринов связана с их строением: внутренняя поверхность белковых каналов содержит различные функциональные группы.
Американские ученые решили разработать фильтр из синтетических материалов, но с похожим принципом действия. С помощью компьютеров они создали модель фильтра с порами из углеродных нанотрубочек. По их внутренней поверхности они расположили гидроксильные и метильные группы, которые либо притягивают молекулы воды, либо отталкивают ее. Затем ученые протестировали тысячи вариантов расположения функциональных групп, используя алгоритмы оптимизации и машинное обучение. Вместе с этим они оценивали то, насколько быстро через поры может проходить вода, содержащая молекулы борной кислоты. Как оказалось, лучший вариант — это кольца из одного или двух рядов гидроксильных групп, размещенных между рядами метильных групп, в середине поры. При этом вода проходит через такие поры в два раза быстрее, чем молекулы борной кислоты. Помимо них, этот фильтр может задерживать и другие нейтральные малые молекулы, такие как фенол, бензол и изопропанол.
Исследование доказало эффективность применения машинного обучения для разработки фильтров для воды с новыми свойствами. При этом такой подход может быть использован не только для этого, но и для моделирования других поверхностей и покрытий, взаимодействующих с водой.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
