Een natuurkundestudent aan de West Virginia University heeft een nieuw machine-learningmodel ontwikkeld dat het zoeken naar energie en milieumaterialen efficiënter kan maken.

Gihan Panapitiya, een promovendus uit Sri Lanka, publiceerde een studie in de Tijdschrift van de American Chemical Society het model gebruiken om de adsorptie-energieën te voorspellen, of zelfklevende mogelijkheden, in gouden nanodeeltjes.

"Machine learning kwam onlangs in de schijnwerpers, en we wilden iets doen dat machine learning koppelt aan gouden nanodeeltjes als katalysatoren. Toen ik aan een onderzoeksgebied dacht, Ik ontdekte dat het voorspellen van adsorptie-energieën van deze deeltjeseigenschap erg moeilijk is, en de kennis over adsorptie-energieën is belangrijk voor katalytische toepassingen in energie, milieu- en zelfs biomedische toepassingen, " zei Panapitiya. "Ik dacht dat als ik machine learning kon gebruiken om deze adsorptie-energieën zonder veel moeite te voorspellen, waarmee onderzoekers gemakkelijk nanodeeltjes met gewenste eigenschappen voor een bepaalde toepassing kunnen vinden."

Uitgelicht op de cover van de 19 december, 2018 uitgave van Tijdschrift van de American Chemical Society , Panapitiya en zijn co-auteurs gebruikten de geometrische eigenschappen van goud, inclusief het aantal bindingen en atomen, om het model te testen. Ze behaalden een voorspellingspercentage van 80 procent, de hoogst mogelijke snelheid voor modellen voor machinaal leren die nanodeeltjes van adsorptie-energie berekenen, alleen op basis van geometrische eigenschappen.

"We geven het machine-learning-algoritme volledig ongeziene gegevens, zodat als het wordt getraind, het kan de adsorptie-energie alleen herkennen en vinden op basis van de kenmerken die het niet heeft gezien, Panapitiya zei. "Door alleen geometrische eigenschappen te gebruiken, je hoeft geen berekeningen te maken. Dat maakt het voorspellingsproces erg snel en gemakkelijk te repliceren."

Ze hebben het algoritme ook getest met verschillende soorten en maten nanodeeltjes om aan te tonen dat het model dezelfde voorspellingsnauwkeurigheid heeft voor elk nanodeeltje van elke grootte en elke vorm.

"De aanzienlijke onderzoeksinspanningen van Gihan hebben hun vruchten afgeworpen in termen van werkelijk verbluffende resultaten, en terecht, " zei professor in de natuurkunde James P. Lewis, Panapitiya's onderzoeksadviseur. "Op goud gebaseerde bimetalen nanokatalysatoren zorgen voor een grotere afstembaarheid in nanostructuren en chemische samenstellingen die verbeteringen in hun reactiviteit mogelijk maken, selectiviteit en stabiliteit om de gewenste katalytische efficiëntie te bereiken. Het correct voorspellen van hun eigenschappen zal de technologische vooruitgang stimuleren."

Gouden nanodeeltjes worden vaak gebruikt als katalysatoren voor energie- en milieutoepassingen en in biomedische toepassingen zoals bioimaging en biolabeling.

"Bijvoorbeeld, gouden nanodeeltjes kunnen worden gebruikt als fluorescerende labels voor biologische beeldvormingstoepassingen. Bioimaging is essentieel om de aard en de verspreiding van een ziekte als kanker te begrijpen. Wanneer de menselijke kankercellen mogen interageren met gouden nanodeeltjes, de nanodeeltjes hechten zich aan kankercellen, wat biolabeling wordt genoemd, ' zei Panapitiya. 'Na enige tijd van gehechtheid, de kankercellen stralen luminescentie uit, die kunnen worden verzameld om deze kankercellen in beeld te brengen."