[ad_1]
(Foco Nanowerk) Las propiedades únicas de las nanopartículas de óxido de hierro tienen un potencial notable para aplicaciones en áreas como el almacenamiento de energía, la biomedicina y la catálisis. Sin embargo, los investigadores han tenido dificultades constantes para controlar de forma fiable características críticas como el tamaño de las partículas y la fase cristalina durante los procesos de síntesis. Las complejas sensibilidades involucradas hacen que controlar la formación de estos nanomateriales sea un desafío persistente que tradicionalmente se ha basado en gran medida en experimentos de prueba y error.
Ahora, los científicos del Laboratorio Nacional del Noroeste del Pacífico (PNNL) han desarrollado un enfoque de inteligencia artificial que utiliza el aprendizaje automático y puede predecir con precisión resultados experimentales y recomendar parámetros para obtener óxidos de hierro con especificaciones personalizadas. Sus modelos y algoritmos brindan soluciones a dos obstáculos clave que han obstaculizado durante mucho tiempo el progreso en la síntesis de materiales: predecir resultados en condiciones definidas y descubrir recetas ideales para producir las nanopartículas deseadas.
Los resultados fueron publicados en Revista de ingeniería química (“Síntesis de óxidos de hierro controlada por fase y tamaño asistida por aprendizaje automático”).
Si bien propiedades como la conductividad eléctrica y la actividad catalítica dependen en gran medida del tamaño y la estructura cristalina, los métodos sintéticos tradicionales luchan con complejidades intrincadas que dificultan el control de la formación de partículas. El aprendizaje automático ofrece un camino a seguir al reconocer patrones entre los ingredientes y las características resultantes.
El grupo PNNL ha compilado un conjunto de datos que combina trabajos anteriores y sus propias pruebas, incluidos factores como temperatura, pH, reactivos, concentración y tiempo de reacción, así como cantidades medidas como fase y diámetro. Entrenaron modelos utilizando cuatro algoritmos (bosque aleatorio, regresión logística, máquina de vectores de soporte y k-vecino más cercano) para correlacionar la preparación con la producción. Durante la validación cruzada, Random Forest logró una precisión excepcional del 96 % y 81 % en la predicción de la fase y el tamaño, respectivamente.
Un análisis más detallado reveló que los modelos tienen en cuenta características importantes conocidas, a saber, la cantidad de precursores, la acidez, el calor y la duración. Experimentos adicionales confirmaron la solidez de las predicciones en condiciones desconocidas.
Además, el equipo programó un algoritmo que clasifica conjuntos de parámetros en función de su similitud con éxitos anteriores en el logro del resultado deseado. Esto permite una selección selectiva de literatura en lugar de una búsqueda general. También complementa la capacidad predictiva: cuando los modelos predicen una alta probabilidad de éxito, se puede realizar una síntesis y, después de la caracterización, aportar datos al conjunto de datos.
El marco general promueve un progreso más específico y rápido a través de una retroalimentación de circuito cerrado entre la orientación in silico y la adaptación empírica.
Al eliminar gran parte del control sobre las propiedades finales de la pura suerte, el aprendizaje automático reduce la necesidad de una experimentación prolongada con cada variación sutil. Dr. El autor principal del PNNL, Xin Zhang, señaló: «Las predicciones de la fase del producto y del tamaño de las partículas de los modelos concuerdan bien con los resultados experimentales». Kevin Rosso añadió que su estudio «sienta las bases para un enfoque de circuito cerrado para la síntesis y preparación de materiales, desde proponer posibles parámetros de reacción a partir del conjunto de datos y predecir resultados potenciales, hasta realizar experimentos y análisis y enriquecer el conjunto de datos».
De cara al futuro, la integración de la inteligencia artificial y la optimización autónoma con la fabricación a nanoescala podría acelerar el descubrimiento y el refinamiento de óxidos de hierro adaptados con precisión para nuevas tecnologías.
Según la Dra. Según la coautora de PNNL, Emily Saldanha, “este material se basa en el trabajo respaldado por el Departamento de Energía de EE. UU., la Oficina de Ciencias, la Oficina de Ciencias Energéticas Básicas, las Ciencias Químicas, las Geociencias y la División de Biociencias bajo su Programa de Geociencias. en el Laboratorio Nacional del Noroeste del Pacífico”.
La investigación ilustra la simbiosis entre la informática y la ciencia de laboratorio que supera las barreras intrínsecas a las partículas y procesos de próxima generación. A medida que los conjuntos de datos aumentan y el conocimiento de los modelos continúa acumulándose, la complejidad que alguna vez fue casi impenetrable se disuelve en claridad y control.
De
Miguel
Berger
– Michael es autor de tres libros de la Royal Society of Chemistry: Nano-Society: Pushing the Boundaries of Technology, Nanotechnology: The Future is Tiny y Nanoengineering: The Skills and Tools Making Technology Invisible Copyright ©
Nanowerk LLC
¡Conviértete en autor invitado de Spotlight! Únase a nuestro gran y creciente grupo de autores invitados. ¿Acaba de publicar un artículo científico o le gustaría compartir otros desarrollos interesantes con la comunidad de nanotecnología? Cómo publicar en nanowerk.com.
[ad_2]