Araştırmacılar, endüstriyel uygulamalarda yaygın kullanılan tri-n-butil fosfat (TBP) bileşiğinin moleküler özelliklerini tahmin etmek için yapay zeka destekli yenilikçi bir yöntem geliştirdi. Bu çalışma, kimyasal simülasyonların doğruluğunu artırırken hesaplama maliyetlerini önemli ölçüde azaltmayı başardı.
Geliştirilen sistem, moleküler dinamik simülasyonları genetik algoritmalarla birleştirerek çalışıyor. Bu hibrit yaklaşım, TBP'nin kütle yoğunluğu, elektrik dipol momenti, buharlaşma ısısı, öz-difüzyon katsayısı ve kesme viskozitesi gibi kritik özelliklerini deneysel verilerle uyumlu şekilde tahmin edebiliyor.
Araştırmanın en önemli yeniliği, optimizasyon sürecine entegre edilen sinir ağı modelidir. Bu yapay zeka bileşeni, normalde saatlerce sürebilen moleküler dinamik hesaplamaları saniyeler içinde gerçekleştirerek, araştırma süresini dramatik şekilde kısaltıyor.
Çalışmada kullanılan çok-amaçlı optimizasyon yaklaşımı, Pareto-optimal çözümler arayarak birden fazla özelliği aynı anda optimize etmeyi mümkün kılıyor. Bu metodoloji, sadece TBP için değil, diğer karmaşık organik moleküller için de uygulanabilir nitelikte.
Bu gelişme, kimya endüstrisinde malzeme tasarımı ve süreç optimizasyonu açısından önemli fırsatlar yaratıyor. Özellikle nükleer yakıt işleme ve çözücü uygulamalarında kullanılan TBP'nin daha iyi anlaşılması, endüstriyel süreçlerin verimliliğini artırabilir.