Videnskab
 science >> Videnskab >  >> Kemi

Fysikstuderende udvikler maskinlæringsmodel til energi- og miljøapplikationer

En fysikstuderende ved West Virginia University har skabt en ny maskinlæringsmodel, der har potentialet til at gøre søgningen efter energi- og miljømaterialer mere effektiv.

Gihan Panapitiya, en doktorand fra Sri Lanka, offentliggjort en undersøgelse i Journal of the American Chemical Society bruge modellen til at forudsige adsorptionsenergierne, eller klæbeevner, i guld nanopartikler.

"Machine learning kom for nylig i søgelyset, og vi ønskede at gøre noget, der forbinder maskinlæring med guldnanopartikler som katalysatorer. Da jeg tænkte på et forskningsområde, Jeg fandt ud af, at det er meget svært at forudsige adsorptionsenergier for denne partikelegenskab, og viden om adsorptionsenergier er vigtig for katalytiske anvendelser inden for energi, miljømæssige og endda biomedicinske applikationer, " sagde Panapitiya. "Jeg tænkte, at hvis jeg kunne bruge maskinlæring til at forudsige disse adsorptionsenergier uden større besvær, der ville gøre det muligt for forskere nemt at finde nanopartikler med ønskede egenskaber til en given applikation."

Vises på forsiden af ​​19. december, 2018 udgave af Journal of the American Chemical Society , Panapitiya og hans medforfattere brugte guldets geometriske egenskaber, inklusive antallet af bindinger og atomer, at teste modellen. De opnåede en forudsigelsesrate på 80 procent, den højest mulige hastighed for maskinlæringsmodeller, der beregner adsorptionsenergier af nanopartikler udelukkende baseret på geometriske egenskaber.

"Vi giver maskinlæringsalgoritmen fuldstændig usete data, så hvis den trænes, den kan kun genkende og finde adsorptionsenergien baseret på de funktioner, den ikke har set, " sagde Panapitiya. "Ved blot at bruge geometriske egenskaber, du behøver ikke at lave nogen beregninger. Det gør forudsigelsesprocessen meget hurtig og nem at replikere."

De testede også algoritmen med forskellige nanopartikeltyper og -størrelser for at demonstrere, at modellen har den samme forudsigelsesnøjagtighed for enhver nanopartikel af enhver størrelse og enhver form.

"Gihans betydelige forskningsindsats har givet pote i form af virkelig fantastiske resultater, og fortjent det, " sagde professor i fysik James P. Lewis , Panapitiyas forskningsrådgiver. "Guldbaserede bimetalliske nanokatalysatorer giver større tunerbarhed i nanostrukturer og kemiske sammensætninger, der muliggør forbedringer i deres reaktivitet, selektivitet og stabilitet for at opnå den ønskede katalytiske effektivitet. Korrekt forudsigelse af deres egenskaber vil drive teknologiske fremskridt."

Guldnanopartikler bruges almindeligvis som katalysatorer til energi- og miljøapplikationer og i biomedicinske applikationer som biobilleddannelse og biomærkning.

"For eksempel, guld nanopartikler kan bruges som fluorescerende etiketter til biologisk billeddannelse. Bioimaging er afgørende for at forstå arten og spredningen af ​​en sygdom som kræft. Når de menneskelige kræftceller får lov til at interagere med guld nanopartikler, nanopartiklerne bliver knyttet til kræftceller, som kaldes biomærkning, " sagde Panapitiya. "Efter nogen tids tilknytning, kræftcellerne udsender luminescens, som kan indsamles for at afbilde disse kræftceller."


Varme artikler