• Home
  • Kemi
  • Astronomien
  • Energi
  • Naturen
  • Biologi
  • Fysik
  • Elektronik
  • Artificiell intelligens hjälper till att förutsäga hybrid nanopartikelstrukturer

    Att förutsäga atomstrukturer för hybridmetallnanopartiklar är, i princip, ett liknande problem som att färdigställa florets skal av en "utblåst" maskros. Vilka är de optimala platserna för att lägga till molekyler (grå) ovanpå en metallkärna (i detta fall guld, orange sfärer)? Kredit:Sami Malola, Jyväskylä universitet

    Forskare vid Nanoscience Center och fakulteten för informationsteknologi vid Jyväskylä universitet, Finland, har uppnått ett betydande steg framåt i att förutsäga atomära strukturer för hybridnanopartiklar. En forskningsartikel publicerad i Naturkommunikation den 3 september 2019, demonstrerar en ny algoritm som lär sig att förutsäga bindningsställen för molekyler vid metall-molekylgränssnittet för hybridnanopartiklar genom att använda redan publicerad experimentell strukturell information om nanopartikelreferenssystem. Algoritmen kan i princip appliceras på vilken nanometerstor struktur som helst som består av metaller och molekyler förutsatt att viss strukturell information redan finns på motsvarande system.

    Forskningen finansierades av Finlands Akademis forskningsprogram AIPSE (Novel Applications of Artificial Intelligence in Physical Sciences and Engineering Research).

    Nanometerstora hybridmetallnanopartiklar har många tillämpningar i olika processer, inklusive katalys, nanoelektronik, nanomedicin och biologisk avbildning. Ofta, det är viktigt att känna till partikelns detaljerade atomstruktur för att förstå dess funktionalitet. Partiklarna består av en metallkärna och ett skyddande lager av molekyler. Högupplösta elektronmikroskop kan producera 3D-atomstrukturer av metallkärnan, men dessa instrument kan inte upptäcka det molekylära lagret som består av lätta atomer som kol, kväve och syre. Den nya algoritmen som publicerats av forskarna i Jyväskylä hjälper till att skapa noggranna atommodeller av partiklarnas totala struktur, vilket möjliggör simuleringar av metall-molekylgränssnittet såväl som av ytan på det molekylära lagret och dess interaktioner med miljön. Algoritmen kan också rangordna de förutspådda atomstrukturmodellerna baserat på hur väl modellerna återger uppmätta egenskaper hos andra partiklar av liknande storlek och typ.

    "Grundtanken bakom vår algoritm är väldigt enkel. Kemiska bindningar mellan atomer är alltid diskreta, med väldefinierade bindningsvinklar och bindningsavstånd. Därför, varje nanopartikelstruktur känd från experiment, där positionerna för alla atomer löses exakt, berättar något väsentligt om kemin i gränssnittet mellan metall och molekyl. Den intressanta frågan om tillämpningar av artificiell intelligens för strukturella förutsägelser är:hur många av dessa redan kända strukturer behöver vi veta så att förutsägelser för nya, men okända partiklar blir tillförlitliga? Det ser ut som att vi bara behöver några dussin kända strukturer, säger huvudförfattaren till artikeln, Sami Malola, som arbetar som universitetsforskare vid Jyväskyläs universitets nanovetenskapscentrum.

    "I nästa fas av detta arbete kommer vi att bygga effektiva atomära interaktionsmodeller för hybridmetallnanopartiklar genom att använda maskininlärningsmetoder. Dessa modeller kommer att tillåta oss att undersöka flera intressanta och viktiga ämnen som partikel-partikelreaktioner och nanopartiklarnas förmåga att fungera som leveransvehiklar för små läkemedelsmolekyler, säger akademiprofessor Hannu Häkkinen, som ledde studien.

    Häkkinens samarbetspartner, professor Tommi Kärkkäinen från fakulteten för informationsvetenskap vid Jyväskylä universitet fortsätter:"Detta är ett viktigt steg framåt inom ramen för nytt tvärvetenskapligt samarbete vid vårt universitet. Att tillämpa artificiell intelligens på utmanande ämnen inom nanovetenskap, såsom strukturella förutsägelser för nya nanomaterial, kommer säkert att leda till nya genombrott."


    © Vetenskap https://sv.scienceaq.com