Desenvolvendo abordagens de ciência de dados para síntese de nanopartículas
Um modelo de aprendizado de máquina pode prever resultados potenciais para diferentes condições de reação na síntese de partículas de óxido de ferro. Crédito:Imagem de Xin Zhang e Stephanie King | Laboratório Nacional do Noroeste do Pacífico Normalmente, os pesquisadores que tentam sintetizar partículas de materiais especificamente direcionadas tiveram que confiar na intuição ou em métodos de tentativa e erro. Esta abordagem pode ser ineficiente, exigindo investimentos significativos de tempo e recursos.
Para superar as ambigüidades dessa abordagem, os pesquisadores do PNNL aproveitaram o poder da ciência de dados e das técnicas de ML para ajudar a agilizar o desenvolvimento da síntese de partículas de óxido de ferro. O estudo foi publicado no Chemical Engineering Journal .
Sua abordagem abordou duas questões fundamentais:identificar condições experimentais viáveis e prever características potenciais das partículas para um determinado conjunto de parâmetros sintéticos. O modelo treinado pode prever o tamanho e a fase potencial das partículas para um conjunto de condições experimentais, identificando parâmetros de síntese promissores e viáveis para explorar.
Esta abordagem inovadora representa uma mudança de paradigma para a síntese de partículas de óxido metálico, potencialmente economizando significativamente o tempo e o esforço despendidos em abordagens de síntese iterativa ad hoc. Ao treinar o modelo ML em uma caracterização experimental cuidadosa, a abordagem demonstrou notável precisão na previsão de resultados de óxido de ferro com base em parâmetros de reação de síntese. O algoritmo de busca e classificação produziu condições de reação plausíveis para explorar a partir do conjunto de dados de entrada. Também revelou a importância anteriormente negligenciada da pressão aplicada durante a síntese na fase resultante e no tamanho das partículas.
Mais informações: Juejing Liu et al, Fase assistida por aprendizado de máquina e síntese controlada por tamanho de partículas de óxido de ferro, Chemical Engineering Journal (2023). DOI:10.1016/j.cej.2023.145216 Fornecido pelo Laboratório Nacional do Noroeste do Pacífico