研究人员开发了以最小的规模研究材料的新方法

世界各地的科学家都对开发新材料感兴趣，以帮助人们过上更可持续，更健康的生活，但是要生产这些材料，需要对它们所构成的分子的神秘结构有详细的了解。设计人员希望用可持续的植物衍生化合物代替浪费的塑料，但是如果不了解植物化合物的分子结构，这将是一个挑战。阿尔托大学(Aalto University)开发的一项新技术应使研究人员能够获得这些基本信息。

为了实现这一目标，研究人员将通用的材料分析技术与人工智能相结合。原子力显微镜(AFM)使用难以置信的细针来测量纳米级物体的大小和形状，并且已经可以用于测量扁平的薄饼状平面分子的结构。通过在大量AFM数据上训练人工智能算法，科学家现在可以通过令人兴奋的现实应用来识别更复杂的分子。

该团队现在能够拍摄单个3维分子的图像，并具有足够的细节，从而有可能了解分子不同部分的不同化学性质。这项工作是由阿尔托大学的研究人员进行的，由学院教授彼得·利耶罗斯(Peter Liljeroth)以及亚当·福斯特(Adam S. Foster)和Juho Kannala教授领导。最近发表在“ 科学进展 ”杂志上。

“研究人员目前使用的方法是猜测结构，模拟AFM图像并查看猜测是否正确。当存在多种可能性时，这是缓慢而困难的，最终人们无法确定是否想到了所有可能的结构，” Peter Liljeroth解释说。

研究人员使用了一种众所周知的称为1S-樟脑的生物分子，该分子具有众所周知的原子结构，并且作为木材工业的生物产品，与其他阿尔托研究人员对生产可持续产品感兴趣的许多分子相似。通过结合机器学习和AFM模拟，Foster教授的团队开发了一种深度学习系统，该系统将一组AFM图像与其分子结构相匹配。首先，对机器学习系统进行了模拟AFM数据测试，分析了具有平面和非平面几何形状的各种分子。为了测试其有效性，实验数据的使用获得了令人兴奋的结果：AI能够可靠，快速地解释复杂3-D分子的AFM图像，并说明它们的化学性质。

该论文的第一作者本杰明·奥尔德里特(Benjamin Alldritt)解释说：“这项研究令人兴奋，因为它为我们提供了使用当前实验来理解材料的新方法。通过将机器学习与AFM相结合，我们可以了解以前无法实现的3-D结构图像。此外，这种新方法在确定分子在表面上的位置时比现有方法要快，并且比人类专家更快，更可靠。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如有侵权行为，请第一时间联系我们修改或删除，多谢。