Un étudiant en physique de l'Université de Virginie-Occidentale a créé un nouveau modèle d'apprentissage automatique qui a le potentiel de rendre la recherche de matériaux énergétiques et environnementaux plus efficace.

Gihan Panapitiya, un doctorant du Sri Lanka, a publié une étude dans le Journal de l'American Chemical Society utiliser le modèle pour prédire les énergies d'adsorption, ou capacités adhésives, dans les nanoparticules d'or.

« L'apprentissage automatique a récemment été mis à l'honneur, et nous voulions faire quelque chose associant l'apprentissage automatique avec des nanoparticules d'or comme catalyseurs. Quand je pensais à un domaine de recherche, J'ai trouvé qu'il est très difficile de prédire les énergies d'adsorption de cette propriété de particule, et la connaissance des énergies d'adsorption est importante pour les applications catalytiques en énergie, applications environnementales voire biomédicales, " a déclaré Panapitiya. " J'ai pensé que si je pouvais utiliser l'apprentissage automatique pour prédire ces énergies d'adsorption sans trop de difficulté, qui permettrait aux chercheurs de trouver facilement des nanoparticules avec les propriétés souhaitées pour une application donnée."

En couverture du 19 décembre numéro 2018 de Journal de l'American Chemical Society , Panapitiya et ses co-auteurs ont utilisé les propriétés géométriques de l'or, y compris le nombre de liaisons et d'atomes, pour tester le modèle. Ils ont obtenu un taux de prédiction de précision de 80 %, le taux le plus élevé possible pour les modèles d'apprentissage automatique calculant les énergies d'adsorption des nanoparticules en se basant uniquement sur les propriétés géométriques.

« Nous donnons à l'algorithme d'apprentissage automatique des données totalement invisibles, de sorte que s'il est entraîné, il peut reconnaître et trouver l'énergie d'adsorption uniquement sur la base des caractéristiques qu'il n'a pas vues, " Panapitiya a dit. " En utilisant juste des propriétés géométriques, vous n'avez pas à faire de calculs. Cela rend le processus de prédiction très rapide et facile à reproduire."

Ils ont également testé l'algorithme avec différents types et tailles de nanoparticules pour démontrer que le modèle a la même précision de prédiction pour toute nanoparticule de toute taille et de toute forme.

"Les efforts de recherche importants de Gihan ont porté leurs fruits en termes de résultats vraiment étonnants, et à juste titre, " a déclaré le professeur de physique James P. Lewis , Conseiller de recherche de Panapitiya. "Les nanocatalyseurs bimétalliques à base d'or offrent une plus grande accordabilité dans les nanostructures et les compositions chimiques qui permettent d'améliorer leur réactivité, sélectivité et stabilité pour atteindre les efficacités catalytiques souhaitées. Prédire correctement leurs propriétés entraînera des avancées technologiques. »

Les nanoparticules d'or sont couramment utilisées comme catalyseurs pour des applications énergétiques et environnementales et dans des applications biomédicales telles que la bioimagerie et le bioétiquetage.

"Par exemple, les nanoparticules d'or peuvent être utilisées comme marqueurs fluorescents pour des applications d'imagerie biologique. La bioimagerie est essentielle pour comprendre la nature et la propagation d'une maladie comme le cancer. Lorsque les cellules cancéreuses humaines sont autorisées à interagir avec des nanoparticules d'or, les nanoparticules s'attachent aux cellules cancéreuses, ce qu'on appelle le bioétiquetage, " dit Panapitiya. " Après un certain temps d'attachement, les cellules cancéreuses émettent de la luminescence, qui peuvent être collectées pour imager ces cellules cancéreuses. »