Forskare runt om i världen är intresserade av att utveckla nya material för att hjälpa människor att leva mer hållbara och hälsosamma liv, men strävan efter att producera dessa material kräver detaljerad kunskap om de mystiska strukturerna hos molekylerna de är gjorda av. Designers vill ersätta slösaktig plast med hållbara växtbaserade föreningar, men detta kan vara en utmaning utan kunskap om växtföreningens molekylstruktur. En ny teknik som utvecklats vid Aalto-universitetet bör göra det möjligt för forskare att få denna viktiga information.

För att uppnå detta, forskarna kombinerade en vanlig materialanalysteknik med artificiell intelligens. Atomic Force Microscopy (AFM) använder en otroligt fin nål för att mäta storleken och formen på nanometerstora föremål, och kan redan användas för att mäta strukturen av lägenhet, pannkaksliknande plana molekyler. Genom att träna en artificiell intelligensalgoritm på massor av AFM-data, forskare kan nu identifiera mer komplexa molekyler med spännande verkliga tillämpningar.

Teamet kan nu ta bilder av en singel, 3-dimensionella molekyler, med tillräckligt med detaljer för att det är möjligt att förstå de olika kemiska egenskaperna hos olika delar av molekylen. Arbetet utfördes av forskare vid Aalto-universitetet, ledd av akademiprofessor Peter Liljeroth, och professorerna Adam S. Foster och Juho Kannala; och publicerades nyligen i tidskriften Vetenskapens framsteg .

"Den metod som forskare använder för närvarande gissar strukturen, simulerar AFM-bilder och se om gissningen stämde. När det finns många möjligheter, det här är långsamt och svårt, och i slutändan kan man inte vara säker på att alla möjliga strukturer var tänkta, " förklarar Peter Liljeroth.

Forskarna använde en välkänd biomolekyl som kallas 1S-kamfer, som har en välkänd atomstruktur och, som en bioprodukt från träindustrin, liknar många av de molekyler som andra Aalto-forskare är intresserade av för att producera hållbara produkter. Genom att använda en kombination av maskininlärning och AFM-simuleringar, Professor Fosters team utvecklade ett system för djupinlärning som matchar en uppsättning AFM-bilder med deras molekylära struktur. Först, maskininlärningssystemet testades på simulerade AFM-data, analysera olika molekyler med plana och icke-plana geometrier. För att testa att det fungerade, experimentella data användes med spännande resultat:AI kunde tillförlitligt och snabbt tolka AFM-bilder av komplexa 3D-molekyler och säga vad deras kemiska egenskaper skulle vara.

Benjamin Alldritt, den första författaren till artikeln förklarar "Denna forskning är spännande eftersom den ger oss nya sätt att förstå material med hjälp av nuvarande experiment. Genom att kombinera maskininlärning med AFM, vi kan förstå bilder av 3D-strukturer som inte kunde tidigare. Dessutom, denna nya metod är snabbare än redan befintliga metoder för att räkna ut hur molekylen sitter på ytan, och det är snabbare och mer pålitligt än mänskliga experter för denna uppgift."