Kunstig intelligens hjælper med at forudsige hybrid nanopartikelstrukturer

Forskere ved Nanoscience Center og Det Informationstekniske Fakultet ved Jyväskylä Universitet, Finland, har opnået et betydeligt skridt fremad i forudsigelsen af ​​atomstrukturer i hybrid nanopartikler. En forskningsartikel offentliggjort i Naturkommunikation den 3. september 2019, demonstrerer en ny algoritme, der lærer at forudsige bindingssteder for molekyler ved metal-molekylgrænsefladen for hybrid-nanopartikler ved hjælp af allerede offentliggjorte eksperimentelle strukturelle oplysninger om nanopartikelreferencesystemer. Algoritmen kan i princippet anvendes på enhver nanometerstørrelsesstruktur bestående af metaller og molekyler, forudsat at der allerede findes nogle strukturelle oplysninger om de tilsvarende systemer.

Forskningen blev finansieret af AIPSE -forskningsprogrammet ved Finlands Akademi (Novel Applications of Artificial Intelligence in Physical Sciences and Engineering Research).

Hybridmetal-nanopartikler i nanometerstørrelse har mange anvendelser i forskellige processer, herunder katalyse, nanoelektronik, nanomedicin og biologisk billeddannelse. Tit, det er vigtigt at kende partikelens detaljerede atomstruktur for at forstå dens funktionalitet. Partiklerne består af en metalkerne og et beskyttende lag af molekyler. Højopløselige elektronmikroskoper er i stand til at producere 3-D atomstrukturer i metalkernen, men disse instrumenter kan ikke detektere det molekylære lag, der består af lette atomer såsom kulstof, nitrogen og ilt. Den nye algoritme offentliggjort af forskerne i Jyväskylä hjælper med at skabe nøjagtige atommodeller af partiklernes samlede struktur, der muliggør simuleringer af metal-molekylgrænsefladen samt af overfladen af ​​molekylærlaget og dets interaktioner med miljøet. Algoritmen kan også rangere de forudsagte atomiske strukturelle modeller baseret på, hvor godt modellerne gengiver målte egenskaber for andre partikler af lignende størrelse og type.

"Grundtanken bag vores algoritme er meget enkel. Kemiske bindinger mellem atomer er altid diskrete, have veldefinerede bindingsvinkler og bindingsafstande. Derfor, hver nanopartikelstruktur kendt fra forsøg, hvor alle atomers positioner er løst nøjagtigt, fortæller noget væsentligt om kemien i metal-molekylgrænsefladen. Det interessante spørgsmål vedrørende anvendelser af kunstig intelligens til strukturelle forudsigelser er:hvor mange af disse allerede kendte strukturer skal vi kende, så forudsigelser for nye, alligevel bliver ukendte partikler pålidelige? Det ser ud til, at vi kun har brug for et par snes kendte strukturer, siger artiklens hovedforfatter, Sami Malola, der arbejder som universitetsforsker ved Nanoscience Center ved Jyväskylä universitet.

"I den næste fase af dette arbejde vil vi bygge effektive atomiske interaktionsmodeller for hybridmetal-nanopartikler ved hjælp af maskinlæringsmetoder. Disse modeller giver os mulighed for at undersøge flere interessante og vigtige emner som partikel-partikelreaktioner og nanopartiklernes evne til at fungere som leveringskøretøjer til små lægemiddelmolekyler, "siger akademiprofessor Hannu Häkkinen, der ledede undersøgelsen.

Häkkinens samarbejdspartner, professor Tommi Kärkkäinen fra Det Informationsvidenskabelige Fakultet på Jyväskylä Universitet fortsætter:"Dette er et vigtigt skridt fremad i forbindelse med nyt tværfagligt samarbejde på vores universitet. Anvendelse af kunstig intelligens til udfordrende emner inden for nanovidenskab, såsom strukturelle forudsigelser for nye nanomaterialer, vil helt sikkert føre til nye gennembrud. "