化学计算机算法可以用更少的实验数据来完成更多工作，从而揭示出制造绿色材料的最佳方法。KAUST的研究人员建议，机器学习可以教会我们如何从整体角度确定最绿色的生产方法，从而使材料制造更清洁，更可持续。

Gyorgy Szekely实验室的博士后Rifan Hardian表示，对可持续性的追求意味着全世界的科学家正在开发先进的材料，以帮助解决碳捕集，海水淡化和能量存储等问题。“尽管这些材料表现出令人鼓舞的性能，但它们本身通常还是采用不可持续的方式生产的—使用苛刻的条件，有毒溶剂和产生大量废物的能源密集型工艺—潜在地造成了比其解决的环境问题更多的问题，” Hardian说。

Szekely和Hardian与Zhang Xiangliang及其团队合作，正在研究一种更可持续的材料开发方法，称为实验设计(DoE)。“与传统的材料优化方法不同，传统的材料优化方法一次会改变一个因素，而DoE是一种系统化的方法，可以同时改变多个因素，” Hardian说。

从理论上讲，DoE可以一次优化所有变量，例如反应物和溶剂的选择，反应时间和反应温度。该程序减少了进行的实验的数量，还潜在地确定了最绿色的材料制造方式。然而，优化每个变量以从此类稀疏的实验数据中确定最佳反应方案是一项挑战。“这就是机器学习的用武之地，” Hardian说。

机器学习是一种人工智能形式，可以从有限数量的数据点中学习模式，以填补数据中的空白。“通过这种方式，人们可以查看整个实验空间，并选择最适合所需结果的一种反应条件，”哈迪安说。

该团队将能源部和机器学习相结合，以确定一种可持续的方法来制造流行的金属有机框架(MOF)材料，称为ZIF-8。Hardian说：“ ZIF-8在气体分离，催化，重金属去除和环境修复等应用中具有巨大潜力。” 该团队在ZIF-8的电化学合成中优化了10个变量，确定了使用水作为溶剂并产生最少废物的高产工艺。“借助机器学习，我们对变量之间的相互作用有了整体的了解，并发现了许多如果采用传统方法可能会错过的意外关联，” Hardian说。

Szekely说，下一个里程碑将是将DoE和机器学习应用于大规模的材料生产。他说：“最终，我们的目标是将能够连续运行并自我优化反应条件的自治实验室系统的未来愿景变为现实。”