Създаване на методи за наука за данни за производство на наночастици

Създаване на методи за наука за данни за производство на наночастици

Традиционно изследователите разчитат на интуиция или методи на проба и грешка, за да синтезират целеви частици от материали, което може да бъде неефективно и отнема много време. Въпреки това, изследователи от PNNL са разработили нов подход за рационализиране на развитието на синтеза на частици железен оксид, използвайки техники за наука за данни и машинно обучение (ML). Този подход е подробно описан в проучване, публикувано в Chemical Engineering Journal.

Подходът на изследователите се занимава с два основни проблема: идентифициране на възможни експериментални условия и предвиждане на потенциални характеристики на частиците за даден набор от синтетични параметри. ML моделът, който те разработиха, може да предвиди потенциален размер и фаза на частиците за набор от експериментални условия, като помага да се идентифицират обещаващи и възможни параметри на синтез, които да бъдат изследвани.

Този иновативен подход представлява промяна на парадигмата за синтез на частици от метален оксид и има потенциала значително да спести времето и усилията, изразходвани за ad hoc итеративни подходи за синтез. Чрез обучение на ML модела върху внимателно експериментално характеризиране, подходът демонстрира забележителна точност при прогнозиране на резултатите от железен оксид въз основа на параметрите на реакцията на синтез. Освен това, използваният алгоритъм за търсене и класиране разкри преди това пренебрегваното значение на налягането, приложено по време на синтеза върху получената фаза и размера на частиците.

За повече информация, проучването на Juejing Liu et al, „Синтез на частици от железен оксид с помощта на машинно обучение, подпомаган от фаза и размер,“ може да се намери в Chemical Engineering Journal (2023) с DOI: 10.1016/j.cej.2023.145216.

Вашият коментар