Onderzoekers van het Nanoscience Center en de Faculteit Informatietechnologie van de Universiteit van Jyväskylä, Finland, hebben een belangrijke stap voorwaarts gemaakt in het voorspellen van atomaire structuren van hybride nanodeeltjes. Een onderzoeksartikel gepubliceerd in Natuurcommunicatie op 3 september 2019, demonstreert een nieuw algoritme dat leert om bindingsplaatsen van moleculen op het metaal-molecuul-interface van hybride nanodeeltjes te voorspellen door gebruik te maken van reeds gepubliceerde experimentele structurele informatie over nanodeeltjesreferentiesystemen. Het algoritme kan in principe worden toegepast op elke structuur ter grootte van een nanometer die bestaat uit metalen en moleculen, op voorwaarde dat er al enige structurele informatie bestaat over de overeenkomstige systemen.

Het onderzoek werd gefinancierd door het AIPSE-onderzoeksprogramma van de Academie van Finland (Novel Applications of Artificial Intelligence in Physical Sciences and Engineering Research).

Hybride metalen nanodeeltjes van nanometerformaat hebben veel toepassingen in verschillende processen, inclusief katalyse, nano-elektronica, nanogeneeskunde en biologische beeldvorming. Vaak, het is belangrijk om de gedetailleerde atomaire structuur van het deeltje te kennen om de functionaliteit ervan te begrijpen. De deeltjes bestaan ​​uit een metalen kern en een beschermende laag moleculen. Hoge resolutie elektronenmicroscopen zijn in staat om 3-D atomaire structuren van de metalen kern te produceren, maar deze instrumenten kunnen de moleculaire laag niet detecteren die bestaat uit lichte atomen zoals koolstof, stikstof en zuurstof. Het nieuwe algoritme dat door de onderzoekers in Jyväskylä is gepubliceerd, helpt bij het creëren van nauwkeurige atomaire modellen van de totale structuur van de deeltjes, waardoor simulaties van het metaal-molecuul-interface mogelijk worden, evenals van het oppervlak van de moleculaire laag en de interacties met de omgeving. Het algoritme kan ook de voorspelde atomaire structurele modellen rangschikken op basis van hoe goed de modellen de gemeten eigenschappen van andere deeltjes van vergelijkbare grootte en soort reproduceren.

"Het basisidee achter ons algoritme is heel eenvoudig. Chemische bindingen tussen atomen zijn altijd discreet, met goed gedefinieerde bindingshoeken en bindingsafstanden. Daarom, elke nanodeeltjesstructuur die bekend is uit experimenten, waar de posities van alle atomen nauwkeurig worden opgelost, vertelt iets essentieels over de chemie van de metaal-molecuul-interface. De interessante vraag met betrekking tot toepassingen van kunstmatige intelligentie voor structurele voorspellingen is:hoeveel van deze reeds bekende structuren moeten we weten zodat voorspellingen voor nieuwe, toch onbekende deeltjes betrouwbaar worden? Het lijkt erop dat we maar enkele tientallen bekende structuren nodig hebben, zegt de hoofdauteur van het artikel, Sami Malola, die werkt als universitair onderzoeker bij het Nanoscience Center van de Universiteit van Jyväskylä.

"In de volgende fase van dit werk zullen we efficiënte atomaire interactiemodellen bouwen voor hybride metalen nanodeeltjes met behulp van machine learning-methoden. Deze modellen zullen ons in staat stellen om verschillende interessante en belangrijke onderwerpen te onderzoeken, zoals deeltjes-deeltjesreacties en het vermogen van nanodeeltjes om te functioneren als leveringsvehikels voor kleine medicijnmoleculen, " zegt Akademiehoogleraar Hannu Häkkinen, die de studie leidde.

Häkkinens medewerker, professor Tommi Kärkkäinen van de Faculteit Informatiewetenschappen van de Universiteit van Jyväskylä vervolgt:"Dit is een belangrijke stap voorwaarts in de context van nieuwe interdisciplinaire samenwerking in onze universiteit. Het toepassen van kunstmatige intelligentie op uitdagende onderwerpen in de nanowetenschap, zoals structurele voorspellingen voor nieuwe nanomaterialen, zal zeker tot nieuwe doorbraken leiden."