亚洲精品成人片在线观看精品字幕 ,尤物av无码色av无码,免费ps大片调色教程

第一作者：Emma Vargo

通訊作者：徐婷教授

通訊單位：加州大學伯克利分校

研究背景

納米顆粒、聚合物和小分子的混合物可自組裝成具有結構依賴性特性的光學、磁性和電子器件。然而，多組分納米復合材料的配方與其組裝結構之間的關系十分復雜，無法通過理論來預測。目前，納米復合材料器件的設計都是通過反復實驗試錯來完成的。機器學習（ML）方法是一種引人注目的替代方案，因為它可基于現有數據集來映射高維空間。該方法不依賴于已知參數之間的關系，因此適用于沒有堅實理論基礎的復雜系統。

文章簡介

在此，美國加州大學伯克利分校徐婷教授等人應用一系列ML方法來研究三元納米復合材料的自組裝和相行為，該材料由二嵌段共聚物（聚苯乙烯-b-聚4-乙烯基吡啶，縮寫為PS-b-P4VP）、氫鍵小分子（3-十五烷基苯酚，縮寫為PDP）和帶有烷基配體的氧化鐵納米顆粒（NP）組成。其中，作者基于595張納米復合薄膜的原子力顯微鏡（AFM）圖像組成的數據集訓練ML模型：首先將每個圖像轉換為描述其周期性、微疇形態、缺陷密度和對齊的矢量；然后使用統計和ML技術探索輸入和輸出參數之間的相關性；最后基于ML模型來預測具有新成分的納米復合材料的形態，該模型在9個案例中有7個是成功的。

這些預測為納米復合材料系統提供了新的見解，表明ML技術有可能顯著簡化復雜系統的設計。這項研究以“Using Machine Learning to Predict and Understand Complex Self-Assembly Behaviors of a Multicomponent Nanocomposite”為題發表于材料頂級期刊Advanced Materials。

徐婷教授AM: 機器學習預測多組分納米復合材料的自組裝

圖文詳情

要點1：相行為關系

作者探討了包含三個構建塊的復雜混合物的相行為，共混物由PS-b-P4VP嵌段共聚物（BCP）、氧化鐵NP和PDP小分子組成并通過溶劑蒸氣退火處理。當添加的PDP超過4VP鍵合位點時，未鍵合的PDP分子與混合物中的所有其他成分適度混溶。該系統重新分配PDP的能力導致整個納米復合材料系統的配方靈活性，并允許有序地結合具有各種尺寸、形狀和核心化學成分的NPs。這種三元混合物的可能成分和加工條件占據了極大的參數空間，沿任何一對變量的2D切片揭示了復雜、交織的相互作用。

圖1. 三元納米復合體系的組成、圖像及參數空間

要點2：圖像分析

作者使用的自動圖像分析流程如下：首先，作者通過徑向積分每個AFM圖像的快速傅里葉變換發現微疇周期性和平均晶粒尺寸。接下來，將灰度顯微圖像簡化為二值圖像，連接的微疇被分組在一起且計算暗疇與亮疇的總體比率。作者將暗疇的面積分數稱為“微疇比”（r_D），晶粒尺度分析使用滑動窗口技術對AFM圖像中的區域進行分類。在整個圖像上光柵化一個周期的方形窗口，并在每個子圖像中識別微疇形態。然后，使用標記的子圖像矩陣來確定圖像中存在的形態。最后，微疇尺度分析需要處理每個單獨的微疇特征，通過將微疇減少到單像素骨架并測量其連通性來識別末端和連接缺陷。

圖2. 圖像分析流程及數據集缺陷

包含近600張AFM圖像的數據集是了解納米復合材料系統的重要資源，但它仍存在以下不足：首先，AFM僅探測3D結構的頂面，因此仍需要橫截面顯微鏡或X射線散射來確認微疇形態。盡管可推斷出3D結構，但此處選擇了使用2D描述符標記圖像：“線條”、“點”和“無特征”。此外，AFM圖像的收集時間為6年，環境、材料和加工過程中未記錄的變化都會產生無法解釋的差異。

要點3：統計分析

相關矩陣用于比較所有輸入和輸出變量之間的成對相關強度并使用皮爾遜相關系數r進行量化。作者將r_D確定為對預測和理解最感興趣的特征，這似乎是輸入和輸出特征之間的重要聯系。由于NP和PDP分子在化學上與P4VP更相容，最初預計在薄膜表面測量的r_D將高于全樣本平均值。然而，匯總數據顯示出相反的趨勢，即真實值通常低于預測值。

圖3. 從圖像分析結果中提取的統計關系

根據r_D預測趨勢，預計30~40%的游離PDP被結合到典型樣本中的PS微疇中。然而，該分數因每種納米復合材料成分而異，因為PDP位移取決于NP尺寸和負載。因此，納米復合材料不能可靠地設計為特定的微疇形態。此外，對于任何給定的r_D，樣本都可表現出多種形態。為了解決這些瓶頸，作者轉向ML來研究輸入參數與生成的納米結構之間的關系。

要點4：機器學習

為了識別高維參數空間中的有用關系，作者使用ML技術來擬合每個輸出值。盡管輸入和輸出具有連續性，但基于隨機森林回歸器（RFR）的模型在參數空間內繪制了清晰的邊界，似乎產生了最好的預測。作者觀察到預測精度從根本上受實驗精度的限制，并且不同輸出量的模型性能差異主要是由實驗再現性差異驅動的。為了理解實驗不確定性對預測能力的影響，作者考慮引入了一個額外的χ²度量。

圖4. 隨機森林回歸器的預測質量

此外，作者計算了每個預測輸出的基于雜質的特征重要性：BCP分子量對于預測周期性很重要，而r_D和形態分數更依賴于計算的成分變量。由于測得的r_D與每個形態分數都有很強的相關性，作者還嘗試用較少的輸入變量預測樣本形態。r_D在很大程度上決定了納米復合材料的結構，但關鍵區別在于r_D值不能直接從納米復合材料的組成中計算，因此必須通過其他方式進行估計。

圖5. 用于預測納米結構的ML模型評估

一旦能夠將多個輸入參數展平為單個r_D預測值，就可將ML響應函數繪制為預測相圖。作者選擇并測試了9種納米復合材料組合物，雖然不能用于定量預測且相圖也不完美，但最終在7種材料中準確預測了多數相或相共存。這表明該ML模型除了以定性方式應用于其特定訓練集之外，還可用于將實驗工作集中在更廣泛參數空間的有希望領域。

總結與展望

總之，這項研究代表了首個替代設計超分子納米復合器件的試錯性試驗的方案。作者證明了微疇比（r_D）是預測形態的關鍵參數，但不能基于每個微疇中組分的重量比來計算。RFR模型能夠基于實驗輸入預測納米復合材料的微疇形貌，甚至可預測新的嵌段共聚物的樣本外形貌。使用預測的r_D作為輸入，最終成功預測出9個案例中出現的7個微疇特征類型。然而，微疇特征比率的定量預測仍然遙不可及，這可歸因于多組分混合物的固有復雜性。除了實驗誤差之外，這種復雜性來自超分子納米復合材料的小分子再分布和動力學依賴性。這些結果促使未來努力通過實驗量化每個組件的空間分布及動力學路徑，并在所有相關長度尺度上表征組裝。總之，這項研究表明ML將成為未來納米復合材料設計的重要工具。

文獻信息

Using Machine Learning to Predict and Understand Complex Self-Assembly Behaviors of a Multicomponent Nanocomposite, Advanced Materials 2022. DOI: 10.1002/adma.202203168

https://onlinelibrary.wiley.com/doi/10.1002/adma.202203168

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/07/b084aed93b/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

徐婷教授AM: 機器學習預測多組分納米復合材料的自組裝

相關推薦