ابزار یادگیری ماشین تکالیف کلیشه ای را بر روی تصاویر SPM انجام می دهد | پژوهش

نرم افزاری که بر روی مراکز کایرال بر روی میکروسکوپ کاوشگر (SPM) تصاویر مولکول ها برچسب می زند ، توسط دانشمندان در سنگاپور توسعه یافته است.

آگاهی از کایرال بودن مولکول ها برای بسیاری از کاربردها از جمله کاتالیز ناهمگن ، جداسازی کایرال ، توسعه دارو و هر چیزی که متکی به تشخیص سطح است ، اساسی است. تعیین دستی کایرالیته از تصاویر SPM می تواند برای سیستم های پیچیده چند روز طول بکشد و یک سیستم خودکار را مطلوب می کند.

در حال حاضر ، دانشمندان یک گروه هوش مصنوعی و یک گروه تصویربرداری اتمی در دانشگاه ملی سنگاپور برای ایجاد یک الگوریتم یادگیری ماشین که این کار را انجام می دهد همکاری کرده اند. آنها آن را روی دو مجموعه فوق مولکولی متراکم ، متشکل از هگزادیمتیل فنیل بنزن و هگزادیمتیل فنیل بنزن جایگزین فلورین آزمایش کردند و در چند ساعت متوجه شدند که مراکز کایرال را به طور دقیق شناسایی کرده است.

جیونگ لو که گروه تصویربرداری اتمی را هدایت می کند ، تجزیه و تحلیل تصویر SPM در حال حاضر “بر توانایی انسان در تجزیه و تحلیل ، طبقه بندی و تفسیر تغییرات نهایی کنتراست STM در مقیاس نانو متکی است” و بنابراین وقت گیر و مستعد خطا است. به همین دلیل ، استفاده از یادگیری ماشین برای تشخیص خودکار مراکز کایرال مفید خواهد بود.

شیائونان وانگ ، رهبر گروه هوش مصنوعی ، می گوید که این چارچوب “عملکرد استثنایی ، حتی در تصاویر غیر ایده آل حاوی ویژگی های ناقص … با تعداد محدودی از داده های آموزشی” را نشان داد ، بنابراین نشان می دهد که مدل قوی است. چندین کاربر با تجربه SPM با برچسب زدن دستی مولکول های آزمایش شده نیز عملکرد این مدل را بررسی کردند. و امکان ترکیب سیستم با نرم افزار STM فعلی وجود دارد که استفاده از آن را راحت می کند.

SPM یک تکنیک متداول برای تجزیه و تحلیل نانوساختارها است. ماگالا لینگنفلدر ، سرپرست آزمایشگاه Max Planck – EPFL برای علم نانو مولکولی در لوزان ، سوئیس ، ده ها سال است که از SPM استفاده می کند و اظهار می دارد که “تعجب آور نیست که یادگیری ماشین می تواند تأثیر فوق العاده ای در تجزیه و تحلیل خودکار تصویر داشته باشد.” با این حال ، لینگنفلدر هشدار می دهد که “یادگیری ماشینی برای تجزیه و تحلیل SPM هنوز در ابتدای راه است … من هنوز مدتی به هر الگوریتمی اعتماد خواهم داشت” ، اما با پیشرفت فناوری ، خوشحال می شوم.

لینگنفلدر می گوید: “اگر این مولکول مانند مطالعه پیشین باشد ، انجام تکالیف بسیار دشوارتر است.” بنابراین ، استفاده از الگوریتم ها برای تشخیص کایرالیا یا سازگاری مولکولی در سیستم های پیچیده ، به ویژه در سیستم های پروچریال ، می تواند تأثیر زیادی داشته باشد. لینگنفلدر می افزاید: “انقلاب در راه است.” ما باید از آن استقبال کنیم ، منظور این است که کار ما را ساده تر کند. “

لو وانگ امیدوارند این تحقیقات به مدلی برسد که در انواع سیستم های مولکولی کاربرد دارد و کلی تر است. آنها در حال حاضر قصد دارند سیستم های مختلف یادگیری ماشین را در ابزارهای SPM ترکیب کنند تا سایر کارهای سنگین را انجام دهند که می تواند گردش کار کشف مواد را تسریع کند.