کد خبر:۷۴۴۴۱۰
با تلاش محققان علم نانو؛
پیش‌بینی انرژی جذب نانوذرات با استفاده از یادگیری ماشینی/ رکوردی تازه از محققان
پژوهشگران برای پیش‌بینی انرژی جذب نانوذرات روی سطح، از یادگیری ماشینی استفاده و مدلی برای این کار ارائه کردند.
به گزارش گروه فناوری خبرگزاری دانشجو، مدل یادگیری ماشینی جدیدی توسط محققان دانشگاه وست‌ویرجینیا ارائه شده که می‌توان از آن در حوزه‌های سلامت، محیط زیست و انرژی استفاده کرد. این مدل برای پیش‌بینی انرژی‌های جذب نظیر اتصال نانوذرات طلا به کار می‌رود.
در طول تاریخ نانوذرات طلا توسط هنرمندان برای ایجاد رنگ در حین برهم‌کنش با نور استفاده شده‌است. امروزه نیز این نانوذرات در صنایع مختلف کاربرد دارند.
گیهان پاناپیتیا از محققان این پروژه می‌گوید: «یادگیری ماشینی اخیراً به نقطه عطفی رسیده است و ما نیز قصد داشتیم تا آن را با نانوذرات برای کاربرد‌هایی نظیر کاتالیست ترکیب کنیم. پیش‌بینی انرژی جذب این نانوذرات روی سطح، کاری دشوار است و داشتن دانش محاسبه و پیش‌بینی این انرژی‌های جذب برای استفاده در کاربرد‌های کاتالیستی، انرژی، محیط زیست و حتی پزشکی مهم است. من در این پروژه سعی کردم تا از یادگیری ماشینی برای پیش‌بینی انرژی‌های جذب استفاده کنم و با این کار به محققان کمک کنم تا به سادگی آن را محاسبه کرده و از نانوذرات طلا در حوزه‌های مختلف استفاده کنند.»
پاناپیتیا و همکارانش از ویژگی‌های هندسی طلا نظیر تعداد پیوند‌ها و اتم‌ها برای تست این مدل استفاده کردند. آنها در نهایت موفق شدند با دقت ۸۰ درصد پیش‌بینی‌های خود را انجام دهند. این بالاترین نرخ دقت برای یک مدل یادگیری ماشینی است که برای محاسبه انرژی‌های جذب نانوذرات استفاده شده‌است.
پاناپیتیا می‌گوید: «ما به الگوریتم‌های یادگیری ماشینی، داده‌های غیرقابل مشاهده دادیم به طوری که اگر این الگوریتم‌ها آموزش دیده باشند می‌توانند انرژی جذب را تنها از روی داده‌های غیرقابل مشاهده محاسبه کنند. با این روش محققان نیاز به محاسبه ندارند و می‌توان به سرعت فرآیند‌ها را پیش‌بینی کرد.»
این گروه به ارزیابی این الگوریتم با نانوذرات مختلف اقدام نمودند تا نشان دهند که دقت پیش‌بینی برای نانوذرات دیگر نیز صرف‌نظر از شکل و اندازه آنها، یکسان است.
پژوهشگران نتایج یافته‌های خود را که با حمایت مالی بنیاد ملی علم به‌دست آورده‌اند در نشریه Journal of the American Chemical Society به چاپ رساندند.
یادگیری ماشینی و هوش مصنوعی مختلفی توسط محققان دانشگاه وست‌ویرجینیا طی سال‌های گذشته بررسی شد تا از آن برای بهبود حوزه‌های سلامت و انرژی استفاده شود.
در طول تاریخ نانوذرات طلا توسط هنرمندان برای ایجاد رنگ در حین برهم‌کنش با نور استفاده شده‌است. امروزه نیز این نانوذرات در صنایع مختلف کاربرد دارند.
گیهان پاناپیتیا از محققان این پروژه می‌گوید: «یادگیری ماشینی اخیراً به نقطه عطفی رسیده است و ما نیز قصد داشتیم تا آن را با نانوذرات برای کاربرد‌هایی نظیر کاتالیست ترکیب کنیم. پیش‌بینی انرژی جذب این نانوذرات روی سطح، کاری دشوار است و داشتن دانش محاسبه و پیش‌بینی این انرژی‌های جذب برای استفاده در کاربرد‌های کاتالیستی، انرژی، محیط زیست و حتی پزشکی مهم است. من در این پروژه سعی کردم تا از یادگیری ماشینی برای پیش‌بینی انرژی‌های جذب استفاده کنم و با این کار به محققان کمک کنم تا به سادگی آن را محاسبه کرده و از نانوذرات طلا در حوزه‌های مختلف استفاده کنند.»
پاناپیتیا و همکارانش از ویژگی‌های هندسی طلا نظیر تعداد پیوند‌ها و اتم‌ها برای تست این مدل استفاده کردند. آنها در نهایت موفق شدند با دقت ۸۰ درصد پیش‌بینی‌های خود را انجام دهند. این بالاترین نرخ دقت برای یک مدل یادگیری ماشینی است که برای محاسبه انرژی‌های جذب نانوذرات استفاده شده‌است.
پاناپیتیا می‌گوید: «ما به الگوریتم‌های یادگیری ماشینی، داده‌های غیرقابل مشاهده دادیم به طوری که اگر این الگوریتم‌ها آموزش دیده باشند می‌توانند انرژی جذب را تنها از روی داده‌های غیرقابل مشاهده محاسبه کنند. با این روش محققان نیاز به محاسبه ندارند و می‌توان به سرعت فرآیند‌ها را پیش‌بینی کرد.»
این گروه به ارزیابی این الگوریتم با نانوذرات مختلف اقدام نمودند تا نشان دهند که دقت پیش‌بینی برای نانوذرات دیگر نیز صرف‌نظر از شکل و اندازه آنها، یکسان است.
پژوهشگران نتایج یافته‌های خود را که با حمایت مالی بنیاد ملی علم به‌دست آورده‌اند در نشریه Journal of the American Chemical Society به چاپ رساندند.
یادگیری ماشینی و هوش مصنوعی مختلفی توسط محققان دانشگاه وست‌ویرجینیا طی سال‌های گذشته بررسی شد تا از آن برای بهبود حوزه‌های سلامت و انرژی استفاده شود.
لینک کپی شد
گزارش خطا
۰
اخبار مرتبط
ارسال نظر
*شرایط و مقررات*
خبرگزاری دانشجو نظراتی را که حاوی توهین است منتشر نمی کند.
لطفا از نوشتن نظرات خود به صورت حروف لاتین (فینگیلیش) خودداری نمايید.
توصیه می شود به جای ارسال نظرات مشابه با نظرات منتشر شده، از مثبت یا منفی استفاده فرمایید.
با توجه به آن که امکان موافقت یا مخالفت با محتوای نظرات وجود دارد، معمولا نظراتی که محتوای مشابهی دارند، انتشار نمی یابد.