Udvikling af datavidenskabelige tilgange til nanopartikelsyntese

Typisk har forskere, der forsøger at syntetisere specifikt målrettede partikler af materialer, måttet stole på intuition eller prøve-og-fejl metoder. Denne tilgang kan være ineffektiv og kræve betydelige investeringer i tid og ressourcer.

For at overvinde tvetydighederne i denne tilgang, udnyttede forskere fra PNNL kraften i datavidenskab og ML-teknikker til at hjælpe med at strømline synteseudvikling for jernoxidpartikler. Undersøgelsen er offentliggjort i Chemical Engineering Journal .

Deres tilgang behandlede to centrale spørgsmål:identifikation af gennemførlige eksperimentelle forhold og forudsigelse af potentielle partikelkarakteristika for et givet sæt syntetiske parametre. Den trænede model kan forudsige potentiel partikelstørrelse og fase for et sæt eksperimentelle forhold, identificere lovende og gennemførlige synteseparametre at udforske.

Denne innovative tilgang repræsenterer et paradigmeskifte for metaloxidpartikelsyntese, hvilket potentielt markant sparer den tid og indsats, der bruges på ad hoc iterative syntesetilgange. Ved at træne ML-modellen på omhyggelig eksperimentel karakterisering viste tilgangen bemærkelsesværdig nøjagtighed i forudsigelse af jernoxidresultater baseret på syntesereaktionsparametre. Søge- og rangeringsalgoritmen gav plausible reaktionsbetingelser at udforske fra inputdatasættet. Det afslørede også den tidligere oversete betydning af tryk, der påføres under syntesen på den resulterende fase og partikelstørrelse.

Flere oplysninger: Juejing Liu et al., Maskinlæringsassisteret fase- og størrelsesstyret syntese af jernoxidpartikler, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216

Leveret af Pacific Northwest National Laboratory