Nieuwe AI -tool ontcijfert mysteries van nanodeeltjesbeweging in vloeibare omgevingen

Nanodeeltjes – de kleinste bouwstenen van onze wereld – zijn constant in beweging, stuiteren, verschuiven en drijven in onvoorspelbare paden gevormd door onzichtbare krachten en willekeurige omgevingsschommelingen.

Het beter begrijpen van hun bewegingen is de sleutel tot het ontwikkelen van betere medicijnen, materialen en sensoren. Maar het observeren en interpreteren van hun beweging op atomaire schaal heeft wetenschappers grote uitdagingen voorgelegd.

Onderzoekers in de School of Chemical and Biomolecular Engineering (CHBE) van Georgia Tech hebben een kunstmatige intelligentie (AI) -model ontwikkeld dat de onderliggende fysica leert die die bewegingen regelt.

Het onderzoek van het team, gepubliceerd in Natuurcommunicatiestelt wetenschappers in staat om niet alleen te analyseren, maar ook realistische bewegingstrajecten van nanodeeltjes genereren die niet te onderscheiden zijn van echte experimenten, gebaseerd op duizenden experimentele opnames.

Een duidelijker venster naar de NanOworld

Conventionele microscopen, zelfs extreem krachtige, worstelen om te observeren van bewegende nanodeeltjes in vloeistoffen. En traditionele op fysica gebaseerde modellen, zoals Brownse beweging, kunnen vaak niet volledig de complexiteit van onvoorspelbare nanodeeltjesbewegingen vastleggen, die kunnen worden beïnvloed door factoren zoals visco-elastische vloeistoffen, energiebarrières of oppervlakte-interacties.

Om deze obstakels te overwinnen, ontwikkelden de onderzoekers een diep generatief model (Leonardo genoemd) dat de beweging van nanodeeltjes kan analyseren en simuleren die zijn vastgelegd door vloeistoffase-transmissie-elektronenmicroscopie (LPTEM), waardoor wetenschappers interacties van nanoschaal beter kunnen begrijpen die onzichtbaar zijn voor het naakte oog. In tegenstelling tot traditionele beeldvorming, kan LPTEM deeltjes observeren terwijl ze op natuurlijke wijze bewegen in een microfluïdische kamer, waarbij beweging wordt vastgelegd naar de nanometer en milliseconde.

“Leonardo stelt ons in staat om verder te gaan dan observatie naar simulatie,” zei Vida Jamali, universitair docent en Daniel B. Mowrey Faculty Fellow in Chbe@GT. “We kunnen nu high-fidelity modellen van beweging op nanoschaal genereren die de feitelijke fysieke krachten weerspiegelen die spelen. Leonardo helpt ons niet alleen te zien wat er op nanoschaal gebeurt, maar ook begrijpen waarom.”

Om Leonardo te trainen en te testen, gebruikten de onderzoekers een modelsysteem van gouden nanoroden die diffundeerde in water. Ze verzamelden meer dan 38.000 korte trajecten onder verschillende experimentele omstandigheden, waaronder verschillende deeltjesgroottes, framesnelheden en elektronenstraalinstellingen. Door deze diversiteit kon het model een breed scala van gedrag en aandoeningen generaliseren.

De kracht van Leonardo’s generatieve AI

Wat Leonardo onderscheidt, is het vermogen om te leren van experimentele gegevens terwijl ze worden geleid door fysieke principes, zei onderzoeksauteur Zain Shabeeb, een Ph.D. student in chbe@gt. Leonardo gebruikt een gespecialiseerde “verliesfunctie” op basis van bekende natuurwetten om ervoor te zorgen dat zijn voorspellingen in werkelijkheid gebaseerd blijven, zelfs wanneer het waargenomen gedrag zeer complex of willekeurig is.

“Veel modellen voor machine learning zijn als zwarte dozen omdat ze voorspellingen doen, maar we weten niet altijd waarom,” zei Shabeeb. “Met Leonardo hebben we fysieke wetten rechtstreeks geïntegreerd in het leerproces, zodat de output van het model interpreteerbaar en fysiek zinvol blijft.”

Leonardo maakt gebruik van een transformator-gebaseerde architectuur, die hetzelfde soort model is achter veel moderne AI-applicaties. Zoals hoe een taalmodel grammatica en syntaxis leert, leert Leonardo de “grammatica” van nanodeeltjesbeweging, waarbij verborgen redenen worden geïdentificeerd voor de manieren waarop nanodeeltjes met hun omgeving omgaan.

Toekomstige impact

Door enorme bibliotheken van mogelijke nanodeeltjesbewegingen te simuleren, zou Leonardo AI -systemen kunnen helpen trainen die automatisch elektronenmicroscopen regelen en aanpassen voor optimale beeldvorming, waardoor de weg wordt vrijgemaakt voor “slimme” microscopen die zich in realtime aanpassen, zeiden de onderzoekers.

“Het begrijpen van nanoschaalbeweging is van groeiend belang voor vele gebieden, waaronder medicijnafgifte, nanomedicine, polymeerwetenschappen en kwantumtechnologieën,” zei Jamali. “Door het gemakkelijker te maken om deeltjesgedrag te interpreteren, kan Leonardo wetenschappers helpen betere materialen te ontwerpen, gerichte therapieën te verbeteren en nieuwe fundamentele inzichten te ontdekken in hoe materie zich op kleine schalen gedraagt.”