两项研究在2022年发表的演示机器学习技术用来减少原子力显微镜(AFM)的不确定性。使AFM更准确,人工智能(AI)可以让世界各地的技术更容易,等算法的优势方法提供可以用更少的机械返回可靠的调查结果准确的仪器。
图片来源:TierneyMJ / Shutterstock.com
AFM设备检测极其锋利的尖之间的原子力探针和样品在调查之中。悬臂探测器相连,另一端是一个高度敏感的传感器。
纳米传感器记录偏差的悬臂提供样品的表面纳米结构的信息。
人工智能指的是计算机程序完成一个任务的方式看起来聪明。他们完成这个和大量的数据处理能力和算法告诉计算机如何处理手头的数据。
机器学习是人工智能的一个典型的例子。机器学习算法可以设置自己的子任务和额外的参数来执行更好的最初的任务组。
机器学习可能是一个合适的方法解决AFM的不确定性。不确定性必然进入AFM计算,仅仅指的是仪器系统误差是评价。
制造商和研究报告不确定性的平均值和标准偏差的复制实验。
机器学习方法适合减少不确定性的任务由于其与多个复制的数据点迭代改进的能力随着时间的推移。
最近的两项研究已经探讨减少不确定性AFM的机器学习方法。
减少AFM纳米机械测量的不确定性选择适当的接触模型
在发表的一篇文章欧洲力学杂志2022年,奈米制造和纳米分析工程师国立成功大学,台南,台湾,提出了监督机器学习(SML)算法框架来帮助减少AFM测量的不确定性。
机器学习方法通过选择一个合适的工作接触模型;换句话说,建立最佳的参数来评估AFM测量精度。
SML技术使用它选择的接触模型来评估弹性模量取决于在AFM力曲线记录仪器的特点。他们提取这些特征SML的分类器算法。该算法学习适当的接触模型,通过分析这些输出。
五个不同分类器一起使用四个接触模型。这些训练(即算法刮信息和从)样品的聚乙烯醇,聚甲基丙烯酸甲酯、聚二甲硅氧烷,和黄金。
其中一个分类器,线性判别分析(LDA),突出的表现最好的提供好的质量预测与它接触模型的材料测试。欧洲杯足球竞彩
团队的金黄色葡萄球菌获得前所未有的数据处理为了展示他们的框架的实际可行性。与LDA分类器,他们获得96.8%的测试精度。
研究人员得出结论,他们开发的机器学习分类器是一个潜在的有力工具适当的接触模型选择减少不确定性在AFM的调查中,即使在没有先验知识是可用的。
预测AI-Enabled AFM的电化学阻抗谱
在《华尔街日报》在2022年发表的另一篇文章科学报告,展示了一种卷积神经网络(CNN)开发减少不确定性AFM调查支持的影响。
AFM分析拴在双分子层膜(tBLMs),例如,帮助科学家理解成孔蛋白破坏纳米膜。这些数据可以用于预测对象的电化学阻抗谱(EIS)。
EIS是一个复杂的技术,用于分析生物识别事件发生在电极的表面。EIS分析界面属性相关的事件像antibody-antigen识别、全细胞捕获,底物酶相互作用。它有潜在的有效的应用在环境科学和生物医学。欧洲杯线上买球
最近的一篇论文,由一个跨学科的团队维尔纽斯大学的计算机科学家和生物化学家,立陶宛,引入了CNN,预测tBLMs的EIS响应有限元分析(FEA)建模技术。
CNN是一种深度学习技术和人工神经网络(ANN)的一种。有限元分析方法求解微分方程。
研究小组发现他们的方法预测电化学阻抗谱足够好。
数据、自动化和纳米仪器
进展更小、更高效和更强大的电子设备——纳电子学、自旋电子学和纳米制造技术开始成熟,将继续产生更多的数据更准确和适用的传感器,AFM纳米仪器设备。
当这是结合技术的另一个趋势——更加自动化的增加数据源是混合。更多的自动化会导致更多的被测量,记录被注意和共享,多组分析趋势。
最终,这将继续导致减少不确定性测量纳米级调查工具。
引用和进一步阅读
马加尔H.S.R.Y.A.哈桑,a Mulchandi (2021)。电化学阻抗谱(EIS):原则、构建和生物传感。传感器。doi.org/10.3390/s21196578。
Nguyen L.T.P.,林丙辉刘(2022)。机器学习方法来减少不确定性AFM纳米机械测量通过选择适当的接触模型。欧洲力学杂志——/固体。https://www.欧洲杯线上买球sciencedirect.com/science/article/pii/S0997753822000626?via%3Dihub
拉伊拉,T。等。(2022)。基于原子力显微镜图像分析可以预测电化学阻抗谱在拴在双分子层膜的缺陷。科学报告。https://www.nature.com/欧洲杯猜球平台articles/s41598 - 022 - 04853 - 4。
免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。