Forskere udvikler nye metoder til at studere materialer i mindst mulig skala

Forskere over hele verden er interesserede i at udvikle nye materialer til at hjælpe mennesker med at leve mere bæredygtige og sunde liv, men stræben efter at producere disse materialer kræver detaljeret viden om de mystiske strukturer af de molekyler, de er lavet af. Designere ønsker at erstatte spildende plast med bæredygtige planteafledte forbindelser, men dette kan være en udfordring uden viden om planteforbindelsens molekylære struktur. En ny teknik, der er udviklet på Aalto-universitetet, skulle give forskere mulighed for at få denne vigtige information.

For at opnå dette, forskerne kombinerede en fælles materialeanalyseteknik med kunstig intelligens. Atomic Force Microscopy (AFM) bruger en utrolig fin nål til at måle størrelsen og formen af ​​objekter i nanometerstørrelse, og kan allerede bruges til at måle strukturen af ​​flad, pandekagelignende plane molekyler. Ved at træne en kunstig intelligens-algoritme på masser af AFM-data, forskere kan nu identificere mere komplekse molekyler med spændende anvendelser i den virkelige verden.

Holdet er nu i stand til at tage billeder af en enkelt, 3-dimensionelle molekyler, med nok detaljer til, at det er muligt at forstå de forskellige kemiske egenskaber af forskellige dele af molekylet. Arbejdet blev udført af forskere ved Aalto Universitet, ledet af Akademiprofessor Peter Liljeroth, og professorerne Adam S. Foster og Juho Kannala; og blev for nylig offentliggjort i tidsskriftet Videnskabens fremskridt .

"Den metode, forskerne bruger i øjeblikket, gætter strukturen, simulerer AFM-billeder og se, om gættet var korrekt. Når der er mange muligheder, det er langsomt og svært, og i sidste ende kan man ikke være sikker på, at alle mulige strukturer var tænkt på, " forklarer Peter Liljeroth.

Forskerne brugte et velforstået biomolekyle kaldet 1S-kamfer, som har en velkendt atomstruktur og, som et bioprodukt fra træindustrien, ligner mange af de molekyler, som andre Aalto-forskere er interesserede i til at producere bæredygtige produkter. Ved at bruge en kombination af maskinlæring og AFM-simuleringer, Professor Fosters team udviklede et dybt læringssystem, der matcher et sæt AFM-billeder med deres molekylære struktur. Først, maskinlæringssystemet blev testet på simulerede AFM-data, analysere forskellige molekyler med plane og ikke-plane geometrier. For at teste, at det virkede, eksperimentelle data blev brugt med spændende resultater:AI var i stand til pålideligt og hurtigt at fortolke AFM-billeder af komplekse 3-D-molekyler og sige, hvad deres kemiske egenskaber ville være.

Benjamin Alldritt, den første forfatter af papiret forklarer "Denne forskning er spændende, fordi den giver os nye måder at forstå materialer ved hjælp af nuværende eksperimenter. Ved at kombinere maskinlæring med AFM, vi kan forstå billeder af 3-D strukturer, som ikke var i stand til før. Derudover denne nye metode er hurtigere end allerede eksisterende metoder til at finde ud af, hvordan molekylet sidder på overfladen, og det er hurtigere og mere pålideligt end menneskelige eksperter til denne opgave."