Vanligtvis har forskare som försöker syntetisera specifikt riktade partiklar av material varit tvungna att förlita sig på intuition eller prova-och-fel-metoder. Detta tillvägagångssätt kan vara ineffektivt och kräva betydande investeringar i tid och resurser.
För att övervinna tvetydigheterna i detta tillvägagångssätt, utnyttjade forskare från PNNL kraften i datavetenskap och ML-tekniker för att effektivisera syntesutvecklingen för järnoxidpartiklar. Studien publiceras i Chemical Engineering Journal .
Deras tillvägagångssätt tog upp två centrala frågor:identifiera genomförbara experimentella förhållanden och förutse potentiella partikelegenskaper för en given uppsättning syntetiska parametrar. Den tränade modellen kan förutsäga potentiell partikelstorlek och fas för en uppsättning experimentella förhållanden, identifiera lovande och genomförbara syntesparametrar att utforska.
Detta innovativa tillvägagångssätt representerar ett paradigmskifte för syntes av metalloxidpartiklar, vilket potentiellt markant sparar tid och ansträngning på ad hoc iterativa syntesmetoder. Genom att träna ML-modellen på noggrann experimentell karakterisering, visade tillvägagångssättet en anmärkningsvärd noggrannhet i att förutsäga järnoxidutfall baserat på syntesreaktionsparametrar. Sök- och rankningsalgoritmen gav rimliga reaktionsförhållanden att utforska från indatadataset. Den avslöjade också den tidigare förbisedda betydelsen av tryck som appliceras under syntesen på den resulterande fasen och partikelstorleken.
Mer information: Juejing Liu et al, Maskininlärning assisterad fas- och storlekskontrollerad syntes av järnoxidpartiklar, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216
Tillhandahålls av Pacific Northwest National Laboratory