ابزار محاسباتی مبتنی بر یادگیری ماشینی ارائه شده که با استفاده از آن می‌توان انرژی پیوندها را در نانوذرات پایدار شده با لیگند پیش‌بینی کرد.
استفاده از یادگیری ماشینی در علم محاسبات نانو
پژوهشگران مرکز علوم نانو دانشکده فناوری اطلاعات در دانشگاه جیویسکلیک فنلاند نشان دادند که می‌توان از روش‌های یادگیری ماشینی برای پیش‌بینی ساختارها و پویایی اتمی نانوذرات استفاده کرد.
آن‌ها فناوری را ارائه کردند که به‌طور قابل ملاحظه‌ای سریع‌تر از روش‌های شبیه‌سازی رایج بوده و می‌توان از آن برای تحقیقات روی نانوذرات استفاده کرد و کاوش‌های کارآمدتر برای بررسی واکنش‌های میان نانوذرات و عملکرد آن‌ها در محیط‌های مختلف انجام داد.
این روش جدید را می‌توان روی نانوذرات فلزی تثبیت شده با لیگند استفاده کرد. این کار در دانشگاه جیویسکلیک با استفاده از این فناوری انجام شده است.
سال گذشته، محققان روشی را ارائه کردند که قادر به پیش‌بینی موفقیت‌آمیز محل اتصال مولکول‌های لیگاند تثبیت‌کننده روی نانوذرات بود. اکنون آن‌ها ابزاری جدید در اختیار دارند که می‌تواند بدون نیاز به استفاده از محاسبات ساختار الکترونیکی بسیار سنگین، انرژی پتانسیل ساختارهای اتمی ذرات را پیش‌بینی کند. این ابزار به مونت‌کارلو کمک می‌کند تا دینامیک اتمی را در ذرات در دمای بالا شبیه‌سازی کند.
انرژی پتانسیل یک سیستم، یکی از پارامترهای کمّی در علم محاسباتی نانو است؛ چرا که این انرژی امکان ارزیابی کمی پایداری سیستم، نرخ واکنش‌های شیمیایی و استحکام پیوندهای بین مولکولی را فراهم می‌کند.
نانوذرات فلزی که با لیگند پایدار شده‌اند انواع مختلفی از پیوندهای شیمیایی را داشته و برای محاسبه انرژی این پیوندها با روش‌های رایج نظیر تئوری عامل دانسیته (DFT) نیاز به محاسبات بسیار سنگین و متعدد است که در نتیجه لازم است از ابرکامپیوترها استفاده نمود.
همین موضوع موجب شده تا شبیه‌سازی کارآمد برای درک ویژگی‌های نانوذرات، نظیر قابلیت آن‌ها در استفاده به‌عنوان کاتالیزور یا تعامل نانوذرات با ذرات زیستی مانند پروتئین، ویروس یا DNA با محدودیت‌هایی روبه‌رو باشد.
پژوهشگران نشان دادند که استفاده از یادگیری ماشینی می‌تواند به مدل‌سازی سیستم‌ها کمک کرده و سرعت شبیه‌سازی را چند ده برابر تسریع کند.
این روش جدید امکان شبیه‌سازی روی لپ‌تاپ یا رایانه را برای محققان فراهم می‌کند و آن‌ها قادر خواهند بود تا انرژی پتانسیل پیوندها را پیش‌بینی کنند. این کار روی نانوذرات طلا که با گروه‌های تیول پایدار شده‌اند، انجام شده است.
نتایج این پروژه در نشریه Journal of Physical Chemistry به چاپ رسیده است.
