Andmeteaduslike meetodite loomine nanoosakeste tootmiseks

Andmeteaduslike meetodite loomine nanoosakeste tootmiseks

Traditsiooniliselt on teadlased tuginenud intuitsioonile või katse-eksituse meetodile, et sünteesida sihitud materjaliosakesi, mis võib olla ebaefektiivne ja aeganõudev. PNNL-i teadlased on aga andmeteaduse ja masinõppe (ML) tehnikate abil välja töötanud uue lähenemisviisi raudoksiidi osakeste sünteesi arendamise sujuvamaks muutmiseks. Seda lähenemisviisi kirjeldatakse üksikasjalikult ajakirjas Chemical Engineering Journal avaldatud uuringus.

Teadlaste lähenemisviis käsitles kahte peamist probleemi: teostatavate katsetingimuste tuvastamine ja võimalike osakeste omaduste ettenägemine teatud sünteetiliste parameetrite jaoks. Nende välja töötatud ML-mudel võib ennustada potentsiaalset osakeste suurust ja faasi katsetingimuste kogumi jaoks, aidates tuvastada paljutõotavaid ja teostatavaid sünteesiparameetreid, mida uurida.

See uuenduslik lähenemine kujutab endast paradigma nihet metalloksiidi osakeste sünteesis ja sellel on potentsiaal oluliselt säästa aega ja vaeva, mis kulub korduvatele ad hoc sünteesimeetoditele. Koolitades ML-mudelit hoolikale eksperimentaalsele iseloomustamisele, näitas lähenemine märkimisväärset täpsust raudoksiidi tulemuste ennustamisel sünteesireaktsiooni parameetrite põhjal. Lisaks näitas kasutatud otsingu- ja järjestamisalgoritm varem tähelepanuta jäetud rõhu tähtsust, mida sünteesi ajal rakendati saadud faasile ja osakeste suurusele.

Lisateabe saamiseks leiate Juejing Liu jt uuringu „Raudoksiidi osakeste masinõppega faas ja suuruse kontrollitud süntees” ajakirjas Chemical Engineering Journal (2023), mille DOI: 10.1016/j.cej.2023.145216.

Lisa kommentaar