The accumulation of plastic waste in natural environments is of utmost concern, as it is contributing to the destruction of ecosystems and is causing harm to aquatic life. In recent years, material scientists have thus been trying to identify all-natural
塑料垃圾在自然环境中的积累令人极为关切，因为它正在破坏生态系统，并对水生生物造成危害。因此，近年来，材料科学家一直在努力确定可用于包装或制造产品的塑料的所有天然替代品
马里兰大学帕克学院的研究人员最近设计了一种新方法，以发现有前景的可生物降解塑料替代品。发表在《自然·纳米技术》杂志上的一篇论文概述了他们提出的方法，该方法将最先进的机器学习技术与分子科学相结合
该论文的合著者Po Yen Chen教授告诉Tech Xplore：“我对这项研究的灵感来自2019年对西太平洋帕劳的访问。”。“塑料污染对那里海洋生物的影响——漂浮的塑料薄膜欺骗鱼类和海龟，将塑料垃圾误认为食物——令人深感不安。这促使我将专业知识应用于这一环境问题，并使我在麻省理工大学建立研究实验室时专注于寻找解决方案。”
寻找可持续塑料替代品的传统和以前使用的方法既耗时又低效。在许多情况下，它们也会产生较差的结果，例如，识别出可生物降解但不具有与塑料相同的理想性能的材料
本文介绍的识别塑料替代品的创新方法依赖于陈开发的机器学习模型
除了比传统的材料搜索方法更快之外，这种方法还可以更有效地发现可以在制造业和工业环境中实际使用的材料。陈与他的同事李腾和胡良兵密切合作，将他的机器学习技术应用于全塑料替代品的发现。
“将自动化机器人、机器学习和分子动力学模拟相结合，我们加快了符合基本性能标准的环保全天然塑料替代品，”陈解释道。“我们的综合方法结合了自动化机器人、机器学习和主动学习循环，以加快可生物降解塑料替代品的开发。”
首先，陈和他的同事汇编了一个来自各种天然来源的纳米复合薄膜的综合库。这是使用自主移液机器人完成的，该机器人可以独立制备实验室样本
随后，研究人员使用这个样本库来训练陈的基于机器学习的模型。在训练过程中，通过一个称为迭代主动学习的过程，该模型逐渐变得更加熟练，能够根据材料的成分预测材料的特性
陈说：“机器人和机器学习的协同作用不仅加快了天然塑料替代品的发现，还允许有针对性地设计具有特定性能的塑料替代品。”。“与传统的试错研究方法相比，我们的方法大大减少了所需的时间和资源。”最近的这项研究及其引入的方法可以加快未来对环保塑料替代品的搜索。该团队的模型很快将被世界各地的团队用于生产具有可调节和有利性能的全天然纳米复合材料
陈说：“通过将机器人、机器学习和模拟工具相结合，我们建立了一个工作流程，加快了新功能材料的发现，并实现了特定应用的定制。”“我们的综合方法降低了石化塑料的绿色替代品的设计障碍，同时保持了环境安全。它还提供了一个开放和可扩展的数据库，重点关注绿色、环保和可生物降解的功能材料。”
未来，陈开发的创新方法可以通过促进多个部门向更可持续的材料过渡，帮助减少全球塑料污染。在接下来的研究中，研究人员计划继续致力于解决石化塑料引起的环境问题
例如，他们希望扩大制造商可以选择的天然材料的范围。此外，他们将努力拓宽其模型所确定的材料的可能应用范围，并确保这些材料能够大规模生产
陈补充道：“我们现在正在努力寻找合适的可生物降解和可持续的材料，用于包装收获后的新鲜农产品，取代一次性塑料食品包装，并提高这些收获后产品的保质期。”“我们还在研究如何管理这些可生物降解塑料的处置，包括回收或将其转化为其他有用的化学品。这些努力是使我们的解决方案不仅对环境友好，而且在经济上可行地替代传统塑料的关键步骤。这项工作对减少塑料污染的全球倡议做出了重大贡献。”