Uno studente di fisica della West Virginia University ha creato un nuovo modello di apprendimento automatico che ha il potenziale per rendere più efficiente la ricerca di materiali energetici e ambientali.
Gihan Panapitiya, uno studente di dottorato dello Sri Lanka, pubblicato uno studio in Giornale della Società Chimica Americana utilizzando il modello per prevedere le energie di adsorbimento, o capacità adesive, nelle nanoparticelle d'oro.
"Recentemente l'apprendimento automatico è stato messo sotto i riflettori, e volevamo fare qualcosa che collegasse l'apprendimento automatico con le nanoparticelle d'oro come catalizzatori. Quando pensavo a un'area di ricerca, Ho scoperto che prevedere le energie di adsorbimento di questa proprietà delle particelle è molto difficile, e la conoscenza delle energie di adsorbimento è importante per le applicazioni catalitiche in campo energetico, applicazioni ambientali e anche biomediche, " ha detto Panapitiya. "Ho pensato che se potessi usare l'apprendimento automatico per prevedere queste energie di adsorbimento senza troppe difficoltà, ciò consentirebbe ai ricercatori di trovare facilmente nanoparticelle con le proprietà desiderate per una determinata applicazione".
In primo piano sulla copertina del 19 dicembre, numero 2018 di Giornale della Società Chimica Americana , Panapitiya e i suoi coautori hanno usato le proprietà geometriche dell'oro, compreso il numero di legami e atomi, per testare il modello. Hanno ottenuto un tasso di previsione dell'accuratezza dell'80%, il tasso più alto possibile per i modelli di apprendimento automatico che calcolano le energie di adsorbimento delle nanoparticelle basate solo su proprietà geometriche.
"Forniamo all'algoritmo di apprendimento automatico dati completamente nascosti in modo che, se viene addestrato, può riconoscere e trovare l'energia di adsorbimento solo in base alle caratteristiche che non ha visto, " Panapitiya ha detto. "Utilizzando solo proprietà geometriche, non devi fare calcoli Ciò rende il processo di previsione molto veloce e facile da replicare".
Hanno anche testato l'algoritmo con diversi tipi e dimensioni di nanoparticelle per dimostrare che il modello ha la stessa precisione di previsione per qualsiasi nanoparticella di qualsiasi dimensione e forma.
"I significativi sforzi di ricerca di Gihan hanno dato i loro frutti in termini di risultati davvero sorprendenti, e meritatamente, " ha detto il professore di fisica James P. Lewis , Consulente di ricerca di Panapitiya. "I nanocatalizzatori bimetallici a base d'oro forniscono una maggiore accordabilità nelle nanostrutture e nelle composizioni chimiche che consentono miglioramenti nella loro reattività, selettività e stabilità per ottenere le efficienze catalitiche desiderate. Prevedere correttamente le loro proprietà guiderà i progressi tecnologici".
Le nanoparticelle d'oro sono comunemente usate come catalizzatori per applicazioni energetiche e ambientali e in applicazioni biomediche come bioimmagini e biomarcatura.
"Per esempio, le nanoparticelle d'oro possono essere utilizzate come etichette fluorescenti per applicazioni di imaging biologico. Il bioimaging è essenziale per comprendere la natura e la diffusione di una malattia come il cancro. Quando le cellule tumorali umane possono interagire con le nanoparticelle d'oro, le nanoparticelle si attaccano alle cellule cancerose, che si chiama biomarcatura, "Panapitiya ha detto. "Dopo un po' di tempo di attaccamento, le cellule cancerose emettono luminescenza, che possono essere raccolti per l'immagine di queste cellule tumorali".
