研究透视：Nat. Rev. Mater.-机器学习助力纳米粒子合成

今日新材料今日新材料

机器学习 (ML) 是人工智能的一个分支，利用各种不同的算法来推断数学模型，并从获取的数据中执行某些任务，而不是基于既定的物理定律。近日，加拿大多伦多大学Eugenia Kumacheva和Alán Aspuru-Guzik（共同通讯作者）等人在Nature Reviews Materials上，报道了一篇关于机器学习（ML）辅助纳米粒子合成的最新综述。系统论述了ML辅助合成纳米粒子的最新进展，描述了可用于纳米粒子合成的ML算法，并且介绍了收集用于分析的大数据集的关键方法，同时总结了ML指导的半导体、金属、碳基和聚合物纳米粒子的合成。

图为纳米粒子合成中的ML算法。

与ML算法集成的自主机器人和微流体合成中的数据集生成。机器人或微流体平台可用于高通量纳米粒子合成；随后的表征可以通过获取吸收光谱或透射电子显微镜（TEM）成像来实现；条件属性数据集作为ML算法的输入提供，用于预测或实验计划。

金属纳米粒子合成的实验规划：从种子进化而来的Au纳米粒子的适应度函数、紫外-可见光谱和透射电子显微镜图像；贝叶斯优化和深度学习建议的Ag纳米粒子合成的损失。

机器学习训练模型需要大量的数据作为基础，而高通量的模拟计算就能够提供大量的数据支持。机器学习方法越来越多地用于加速具有目标特性的新材料的设计和发现，并将第一性原理技术的适用性扩展到更大的系统。

文献链接：https://doi.org/10.1038/s41578-021-00337-5

DOI: 10.1038/s41578-021-00337-5.

原文链接：http://www.cailiaoniu.com/224763.html

继续滑动看下一个