Un estudiante de física de la Universidad de West Virginia ha creado un nuevo modelo de aprendizaje automático que tiene el potencial de hacer que la búsqueda de materiales energéticos y ambientales sea más eficiente.
Gihan Panapitiya, un estudiante de doctorado de Sri Lanka, publicó un estudio en el Revista de la Sociedad Química Estadounidense utilizando el modelo para predecir las energías de adsorción, o capacidades adhesivas, en nanopartículas de oro.
"El aprendizaje automático se ha convertido recientemente en el centro de atención, y queríamos hacer algo que vincule el aprendizaje automático con nanopartículas de oro como catalizadores. Cuando estaba pensando en un área de investigación, Descubrí que predecir las energías de adsorción de esta propiedad de partículas es muy difícil, y el conocimiento de las energías de adsorción es importante para las aplicaciones catalíticas en energía, aplicaciones ambientales e incluso biomédicas, ", Dijo Panapitiya." Pensé que si podía usar el aprendizaje automático para predecir estas energías de adsorción sin mucha dificultad, eso permitiría a los investigadores encontrar fácilmente nanopartículas con las propiedades deseadas para una aplicación determinada ".
Destacado en la portada del 19 de diciembre, 2018 número de Revista de la Sociedad Química Estadounidense , Panapitiya y sus coautores utilizaron las propiedades geométricas del oro, incluyendo el número de enlaces y átomos, para probar el modelo. Obtuvieron una tasa de predicción de precisión del 80 por ciento, la tasa más alta posible para los modelos de aprendizaje automático que calculan nanopartículas de energías de adsorción basándose únicamente en propiedades geométricas.
"Proporcionamos al algoritmo de aprendizaje automático datos completamente invisibles para que, si se entrena, puede reconocer y encontrar la energía de adsorción solo en función de las características que no ha visto, "Panapitiya dijo." Usando solo propiedades geométricas, no tienes que hacer ningún cálculo. Eso hace que el proceso de predicción sea muy rápido y fácil de replicar ".
También probaron el algoritmo con diferentes tipos y tamaños de nanopartículas para demostrar que el modelo tiene la misma precisión de predicción para cualquier nanopartícula de cualquier tamaño y forma.
"Los importantes esfuerzos de investigación de Gihan han dado sus frutos en términos de resultados realmente sorprendentes, y merecidamente "dijo el profesor de física James P. Lewis, Asesor de investigación de Panapitiya. "Los nanocatalizadores bimetálicos a base de oro proporcionan una mayor capacidad de sintonización en nanoestructuras y composiciones químicas que permiten mejoras en su reactividad, selectividad y estabilidad para lograr las eficiencias catalíticas deseadas. La predicción correcta de sus propiedades impulsará los avances tecnológicos ".
Las nanopartículas de oro se utilizan comúnmente como catalizadores para aplicaciones energéticas y ambientales y en aplicaciones biomédicas como bioimagen y bioetiquetado.
"Por ejemplo, Las nanopartículas de oro se pueden utilizar como marcadores fluorescentes para aplicaciones de imágenes biológicas. La bioimagen es esencial para comprender la naturaleza y la propagación de una enfermedad como el cáncer. Cuando se permite que las células cancerosas humanas interactúen con nanopartículas de oro, las nanopartículas se adhieren a las células cancerosas, que se llama bioetiquetado, "Panapitiya dijo." Después de algún tiempo de apego, las células cancerosas emiten luminiscencia, que se pueden recolectar para obtener imágenes de estas células cancerosas ".
