Koneoppiminen ennustaa nanohiukkasten rakennetta

Nanopartikkelien rakennetta voidaan ennustaa ja atomien dynamiikkaa simuloida uusien koneoppimistekniikoiden avulla.

Asian osoittivat Jyväskylän yliopiston nanotiedekeskuksen ja informaatioteknologian tiedekunnan tutkijat, jotka julkaisivat tuloksensa The Journal of Physical Chemistry -lehdessä.

Tutkimusta johti akatemiaprofessori Hannu Häkkinen.

Nanohiukkasten rakennetta ja käyttäytymistä ennustetaan tavallisesti perinteisillä simulointimenetelmillä, jotka edellyttävät supertietokoneen käyttöä.

Jyväskyläläisten uusilla etäisyyspohjilla menetelmillä tutkimuksesta tulee nopeampaa ja tehokkaampaa.

Perustana kultananopartikkelin rakenne

Jyväskyläläistutkijat julkaisivat viime vuonna menetelmän, jolla voidaan ennustaa kultananopartikkelin pinnalle sitoutuvien molekyylien paikkoja kokeellisesti tunnettujen partikkelirakenteiden perusteella.

Myös nyt kehitetty uusi laskentatyökalu perustuu kultananopartikkelin rakenteeseen.

Työkalun avulla voidaan ennustaa potentiaalienergioita. Työkalu mahdollistaa myös atomien dynamiikan simuloimisen Monte Carlo -menetelmän avulla.

Potentiaalienergia on olennainen suure laskennallisessa nanotieteessä. Sen perusteella pystytään muun muassa arvioimaan systeemien stabiiliutta, kemiallisten reaktioiden nopeutta ja atomien sitoutumisen lujuutta.

Potentiaalienergiaa tarvitaan myös tutkittaessa suojattujen metallinanopartikkelien ominaisuuksia ja mahdollisia käyttökohteita, kuten katalyysia ja biologisten kohteiden kuvantamista.

Simulaatiot voidaan tehdä vaikka läppärillä

Tutkijat käyttivät menetelmän ennustamia potentiaalienergioita kultananopartikkelin atomien värähtelyn simuloimiseen eri lämpötiloissa.

He päätyivät samoihin tuloksiin kuin supertietokoneella tehtävissä simuloinneissa, jotka vaativat satoja tai tuhansia laskentaytimiä ja kestävät useita vuorokausia.

Koneoppimista hyödyntävät simulaatiot voidaan tehdä kannettavalla tietokoneella tai tavallisella pöytäkoneella.

Koska menetelmä on laskennallisesti kevyt, simulaatioita kyetään jatkamaan pitkiäkin aikoja. Tämä mahdollistaa partikkelin rakennemuutosten ja partikkelien välisten reaktioiden tutkimisen.

(Kuva: Antti Pihlajamäki/Jyväskylän yliopisto) Kuvassa olevia molekyyleilla päällystettyjä kultananohiukkasia voidaan tutkia entistä helpommin uusien koneoppimismenetelmien avulla.


 

MAINOS

Tilaa Kemia-lehti, saat lahjaksi käsidesin!

  • Kiitä opettajaa ja lahjoita lehti kouluun – 29 euroa
  • Kannusta koululaista tai opiskelijaa lehtilahjalla – 49 euroa
  • Tilaa lehti itsellesi tai lahjaksi läheiselle – 69 euroa
  • Saat lahjaksi innovatiivisen, kotimaisen Nolla-käsidesin. Lue lisää: Käsidesivaahto tehoaa myös koronavirukseen.
  • Kampanja jatkuu 30.6.2020 asti.

Katso lisätiedot ja tartu tarjoukseen.

Tilaamalla lehden tuet kotimaista työtä, tutkimusta ja journalismia.  

Kerro Kemiamedian toimitukselle mielipiteesi!

 

Nimi(Pakollinen)
Hidden
Mitä mieltä olit artikkelista? Lähetä meille palautetta.
Kenttä on validointitarkoituksiin ja tulee jättää koskemattomaksi.

Lisää uutisia