Ученые применили спектроскопию для определения свойств органических молекул
Спектроскопический метод для определения свойств органических молекул с использованием машинного обучения разработали исследователи из Института промышленных наук Токийского университета, 13 октября сообщает журнал Advanced Intelligent Systems.
Если свойства материалов можно надежно предсказать, то процесс разработки новых продуктов для огромного спектра отраслей промышленности может быть оптимизирован и ускорен.
Методы спектроскопии структуры с потерей энергии вблизи края (ELNES) и рентгеновской структуры вблизи края (XANES) используются для определения информации об электронах и, следовательно, атомах в материалах. Они обладают высокой чувствительностью и высоким разрешением и использовались для исследования целого ряда материалов, от электронных устройств до систем доставки лекарств.
Однако связь спектральных данных со свойствами материала — такими как оптические свойства, электронная проводимость, плотность и стабильность — остается неоднозначной. Подходы машинного обучения (ML) использовались для извлечения информации для больших сложных наборов данных. Такие подходы используют искусственные нейронные сети.
Хотя группа ранее использовала спектры ELNES/XANES и ML для получения информации о материалах, то, что они обнаружили, не имело отношения к свойствам самого материала. Поэтому эту информацию было нелегко перевести в плоскость разработок. Теперь команда использовала ML для выявления информации, скрытой в смоделированных спектрах ELNES/XANES 22155 органических молекул.
«Спектры ELNES/XANES молекул или их „дескрипторы“ в этом сценарии затем вводились в систему. Этот дескриптор — это то, что может быть непосредственно измерено в экспериментах и, следовательно, может быть определено с высокой чувствительностью и разрешением. Этот метод очень полезен для разработки материалов, поскольку он может выявить, где, когда и как возникают определенные свойства материала», — объясняет ведущий автор Какеру Кикумаса.
Обработка спектров потерь в ядре с помощью ML обеспечивает точное предсказание обширных свойств материала, таких как внутренняя энергия и молекулярная масса. Связь между спектрами потерь в ядре и обширными свойствами ранее никогда не устанавливалась. Однако искусственный интеллект смог раскрыть скрытые связи.
«Наш подход также может быть применен для прогнозирования свойств новых материалов и функций. Мы считаем, что наша модель станет очень полезным инструментом для высокопроизводительной разработки материалов в широком спектре отраслей промышленности», — говорит старший автор Теруясу Мидзогучи.
