研究人员开发了以最小尺度研究材料的新方法
世界各地的科学家都对开发新型材料感兴趣,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。
AFM成像过程的示意图以及逆成像问题的建议解决方案
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在学院教授彼得·利耶罗斯(Peter Liljeroth)以及亚当·福斯特(Adam S. Foster)和朱霍·坎纳拉(Juho Kannala)教授的带领下完成的。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,根据AFM图像模拟并检查猜测是否正确。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。”彼得·利耶罗斯解释说。
研究人员使用了一种称为1S-camphor(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,福斯特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,在模拟的AFM数据上测试了机器学习系统,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,使用了大量实验数据并取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,并说明其化学性质。
AFM图像,模拟图像和原子结构分析结果
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方法了解材料的新方法。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方面比现有方法要快,并且比人类专家更快,更可靠。
联系客服