Dengan ketepatan 80%, pembelajaran mendalam mengenal pasti bentuk zarah nano dalam gerakan Brown

Editor|Pothos

Dengan aplikasi praktikal nanopartikel dalam bidang perubatan, farmaseutikal dan perindustrian, dari perspektif bahan, adalah perlu untuk menilai sifat dan keadaan aglomerasi setiap nanozarah dan menjalankan kawalan kualiti

Salah satu cara untuk menilai nanopartikel dalam cecair adalah dengan menganalisis trajektori gerakan Brownian. Walaupun analisis penjejakan nano (NTA) ialah kaedah mudah untuk mengukur zarah individu daripada skala mikro kepada nano, ketidakupayaannya untuk menilai bentuk zarah nano telah menjadi masalah yang telah lama wujud. NTA sentiasa menganggap sfera apabila mengira saiz zarah menggunakan persamaan Stokes-Einstein, tetapi tidak dapat mengesahkan sama ada zarah yang diukur sebenarnya sfera.

Sebuah pasukan penyelidik dari Universiti Tokyo telah mencadangkan kaedah baharu untuk menilai sifat anisotropik bentuk nanozarah, menyelesaikan masalah penilaian nanozarah yang telah wujud sejak zaman Einstein.

Para penyelidik membina model pembelajaran mendalam (DL) untuk meramalkan bentuk zarah nano menggunakan data trajektori siri masa bagi gerakan Brown yang diperoleh daripada pengukuran NTA. Dengan menggunakan model ensemble untuk analisis trajektori, model pembelajaran mendalam dapat mencapai kira-kira 80% ketepatan pengelasan zarah tunggal untuk dua nanozarah emas yang lebih kurang saiz yang sama tetapi bentuk yang berbeza, yang tidak dapat dibezakan oleh NTA tradisional secara individu.

Selain itu, penyelidikan menunjukkan bahawa nisbah pencampuran nanozarah sfera dan nanozarah berbentuk rod boleh dianggarkan secara kuantitatif berdasarkan data pengukuran sampel campuran nanozarah. Keputusan ini menunjukkan bahawa dengan menggunakan analisis penyebaran cahaya dinamik (DL) kepada pengukuran analisis pengesanan nanopartikel (NTA), adalah mungkin untuk menilai bentuk zarah, yang sebelum ini dianggap mustahil

Penyelidikan ini diterbitkan dalam Pembelajaran Mesin APL " Diterbitkan pada "Using Deep Learning to Analyse Brownian Motion Trajectory of Non-spherical Nanoparticles"

Menggunakan ciri-ciri penyerakan cahaya dan gerakan Brown, NTA (Nanoparticle Tracking Analysis) ialah kaedah untuk mengukur suspensi cecair Kaedah pengesanan zarah taburan saiz sampel sederhana telah digunakan secara meluas secara komersial. NTA menggunakan formula teori yang dicadangkan oleh Einstein lebih daripada 100 tahun yang lalu untuk mengira diameter zarah Trajektori gerakan Brown mencerminkan pengaruh bentuk zarah, tetapi dalam praktiknya adalah sukar untuk mengukur pergerakan yang sangat pantas. Tambahan pula, walaupun zarah bukan sfera, kaedah analisis tradisional adalah tidak tepat kerana mereka tanpa syarat menganggap bahawa zarah adalah sfera dan menggunakan persamaan Stokes-Einstein untuk analisis.

Namun, dengan pembelajaran mendalam, yang pandai mencari korelasi tersembunyi dalam data berskala besar, adalah mungkin untuk mengesan perbezaan yang disebabkan oleh perbezaan bentuk walaupun data ukuran adalah purata atau mengandungi ralat yang tidak boleh dipisahkan.

Pasukan penyelidik yang diketuai oleh Profesor Takanori Ichiki dari Universiti Tokyo berjaya membangunkan model pembelajaran mendalam. Model ini boleh mengenal pasti bentuk daripada data trajektori gerakan Brown yang diukur tanpa memerlukan perubahan kepada kaedah eksperimen. Untuk mempertimbangkan secara serentak perubahan siri masa data dan korelasi dengan persekitaran sekeliling, mereka menggunakan model rangkaian neural convolutional satu dimensi (1D CNN) untuk mengekstrak ciri tempatan dan menggabungkannya dengan model LSTM dwiarah dengan keupayaan pengagregatan dinamik temporal.

Pembangunan model anggaran bentuk biasanya terdiri daripada tiga peringkat: pertama, pengukuran NTA bagi pemerolehan data mentah, kemudian penciptaan set data dan model untuk pembelajaran mendalam, dan akhirnya latihan pembelajaran mendalam

Ilustrasi: Struktur Satu Dimensi Model pembelajaran mendalam CNN+Bi-LSTM. (Sumber: kertas)

Kaji menggunakan data siri masa dengan panjang trajektori yang berbeza (20, 40, 60, 80 dan 100 bingkai) dengan menukar setiap satu daripada empat model (MLP, LSTM, 1D CNN dan 1D CNN+Bi-LSTM) Hiperparameter bilangan bingkai digunakan untuk mengesahkan penumpuan pembelajaran Ketepatan kedua-dua model LSTM dan 1D CNN adalah melebihi 80% pada 100 bingkai, yang menunjukkan bahawa kedua-dua pengekstrakan ciri tempatan dan pengumpulan dinamik temporal melalui ciri bentuk ekstrak konvolusi. Kaedah yang berkesan Pada masa yang sama, ketepatan yang tinggi menunjukkan bahawa klasifikasi bentuk nanozarah dalam cecair telah mencapai tahap realistik analisis zarah tunggal menggunakan NTA dan DL

Ilustrasi: Penunjuk penilaian klasifikasi bentuk dan bilangan bingkai untuk. setiap model pembelajaran mendalam (Sumber: kertas)

Selepas analisis pembelajaran mendalam, kami berjaya mengklasifikasikan zarah nano individu dalam cecair mengikut bentuknya, dan ketepatannya sangat tinggi, mencapai tahap praktikal. Sementara itu, dalam kajian ini, kami juga mewujudkan lengkung penentukuran untuk menentukan nisbah pencampuran larutan campuran nanozarah sfera dan berbentuk rod. Memandangkan jenis bentuk nanozarah yang diketahui pada masa ini, kami percaya kaedah ini dapat mengesan bentuk zarah nano dengan berkesan

Ilustrasi: Sistem analisis zarah menggunakan cip mikrokapilari, menggunakan teknologi NTA untuk mengukur hasil daripada gerakan Brown Dapatkan taburan saiz zarah campuran itu. (Dipetik daripada: kertas)

Kaedah NTA tradisional tidak boleh memerhati secara langsung bentuk zarah, dan maklumat ciri yang diperoleh adalah terhad. Menggunakan kaedah DL, walaupun zarah bentuk yang berbeza dengan diameter terhidrat yang sama boleh dibezakan daripada campuran berdasarkan trajektori mereka.

Dalam kajian itu, mereka cuba menentukan bentuk kedua-dua zarah, tetapi memandangkan jenis bentuk nanopartikel yang tersedia secara komersial, mereka berpendapat kaedah ini boleh digunakan untuk aplikasi praktikal, seperti mengesan bahan asing dalam sistem homogen. Pelanjutan NTA boleh digunakan bukan sahaja dalam penyelidikan tetapi juga dalam industri, seperti penilaian sifat, keadaan aglomerasi dan kehomogenan nanozarah bukan sfera, dan kawalan kualiti.

Para penyelidik berkata: "Ia akan menjadi hala tuju penyelidikan yang menarik untuk memanjangkan objek pengukuran zarah kepada pelbagai bentuk dan bahan, dan topik penyelidikan masa depan adalah untuk menguji kebolehgunaan kaedah DL+NTA

Ya, Khas." ia menjanjikan untuk menjadi penyelesaian untuk menilai sifat pelbagai nanozarah biologi, seperti vesikel ekstraselular, dalam persekitaran yang serupa dengan organisma hidup. Ia juga berpotensi untuk menjadi kaedah inovatif untuk penyelidikan asas tentang gerakan Brown bagi zarah bukan sfera dalam cecair.

Pautan kertas: https://doi.org/10.1063/5.0160979

Kandungan rujukan: https://phys.org/news/2023-10-deep-long-standing-identification-nanoparticle.html

Atas ialah kandungan terperinci Dengan ketepatan 80%, pembelajaran mendalam mengenal pasti bentuk zarah nano dalam gerakan Brown. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!