首頁  >  文章  >  科技週邊  >  準確率達 80%,深度學習辨識布朗運動中奈米粒子形狀

準確率達 80%,深度學習辨識布朗運動中奈米粒子形狀

WBOY
WBOY轉載
2023-11-07 18:13:01583瀏覽

准确率达 80%,深度学习识别布朗运动中纳米粒子形状

編輯| 綠蘿

隨著奈米粒子在醫療、製藥和工業領域的實際應用,從材料的角度出發需要對每個奈米粒子的性質和團聚狀態進行評估並進行品質控制

評估液體中奈米粒子的一種方法是分析布朗運動的軌跡。雖然奈米粒子追蹤分析技術(Nano-tracking analysis,NTA) 是一種用於測量從微觀到奈米尺度的單一粒子的簡單方法,但它不能評估奈米粒子的形狀一直是一個長期存在的問題。 NTA 在使用 Stokes-Einstein 方程式量化粒子大小時總是假設球形,但無法驗證所測量的粒子是否真的是球形的。

東京大學的研究團隊提出了一種新的奈米粒子形狀各向異性特性評估方法,解決了自愛因斯坦時代以來一直存在的奈米粒子評估問題。

研究人員建立了一個深度學習(DL)模型,利用 NTA 測量獲得的布朗運動的時間序列軌跡數據來預測奈米粒子的形狀。透過使用整合模型進行軌跡分析,深度學習模型能夠對兩種尺寸大致相同但形狀不同的金奈米粒子實現約 80% 的單粒子分類精度,而傳統的 NTA 無法單獨區分這兩種奈米粒子。

此外,研究顯示,可以根據奈米粒子混合樣品的測量數據定量估計球形奈米粒子和棒狀奈米粒子的混合比例。這個結果表明,透過將動態光散射分析(DL)應用於奈米粒子追蹤分析(NTA)測量,可以評估粒子的形狀,而這在以前被認為是不可能的

這項研究在《APL機器學習》上發表,主題為《利用深度學習分析非球形奈米粒子的布朗運動軌跡》

准确率达 80%,深度学习识别布朗运动中纳米粒子形状

#利用光散射和布朗運動的特性,NTA(奈米顆粒追蹤分析)是一種用於測量液體懸浮液中樣本粒徑分佈的檢測方法,已被廣泛商業應用。 NTA使用了愛因斯坦在100多年前提出的理論公式來計算粒子的直徑

布朗運動的軌跡反映了粒子形狀的影響,但實際上很難測量極快的運動。此外,即使粒子是非球形的,傳統的分析方法也不準確,因為它們無條件地假設粒子是球形的,並使用斯托克斯-愛因斯坦方程式進行分析。

然而,利用善於在大規模數據中發現隱藏相關性的深度學習,即使測量數據是平均的或包含無法分離的誤差,也有可能檢測到由形狀差異引起的差異。

東京大學的Takanori Ichiki教授領導的研究小組成功地開發了一個深度學習模式。這個模型可以透過測量的布朗運動軌跡數據來識別形狀,而不需要改變實驗方法。為了同時考慮資料的時間序列變化和與周圍環境的相關性,他們將一維卷積神經網路(1D CNN)模型用於提取局部特徵,並與具有時間動態聚合能力的雙向LSTM模型結合

形狀估計模型的開發通常包括三個階段:首先是進行原始資料擷取的NTA測量,然後是建立用於深度學習的資料集和模型,最後是進行深度學習訓練

准确率达 80%,深度学习识别布朗运动中纳米粒子形状

#圖示:一維CNN Bi-LSTM 深度學習模型的結構。 (資料來源:論文)

研究使用不同軌跡長度(20、40、60、80 和100 幀的時間序列數據,透過改變四種模型(MLP、LSTM、1D CNN 和1D CNN Bi-LSTM )的每幀數的超參數來驗證學習的收斂性。

LSTM 和1D CNN 模型在100 幀下的準確率都在80% 以上,這表明透過卷積提取局部特徵和時間動態累積都是提取形狀特徵的有效方法。同時,高精度表明液體中奈米粒子的形狀分類已經達到了用NTA 和DL 進行單粒子分析的現實水平。

准确率达 80%,深度学习识别布朗运动中纳米粒子形状

##圖示:各深度學習模型的形狀分類評估指標與幀數的關係。(資料來源:論文)

經過深度學習分析,我們成功地將液體中的單一奈米粒子按照形狀進行了分類,而且準確率非常高,達到了實用水平。同時,在這項研究中,我們也建立了校準曲線,用於確定球形和棒狀奈米粒子混合溶液的混合比例。考慮到目前已知的奈米粒子形狀類型,我們認為這種方法可以有效地檢測奈米粒子的形狀

准确率达 80%,深度学习识别布朗运动中纳米粒子形状

#圖示:利用微毛細管晶片的粒子分析系統,運用NTA技術從布朗運動的測量結果中取得混合物的粒徑分佈。 (引自:論文)

傳統的 NTA 方法不能直接觀察到粒子的形狀,所獲得的特徵資訊有限。使用 DL 方法,即使具有相同水合直徑的不同形狀的粒子,也可以根據其軌跡將其與混合物區分開來。

在研究中,他們試圖確定兩種粒子的形狀,但考慮到商業上可獲得的奈米粒子的形狀類型,他們認為這種方法可以用於實際應用,例如檢測均勻系統中的異物。 NTA 的擴展不僅可以應用於研究,還可以應用於工業領域,例如評估非球形奈米粒子的性質、團聚狀態和均勻性,以及品質控制。

研究人員表示:“將粒子的測量對象擴展到各種不同形狀和材料,這將是一個有趣的研究方向,並且未來的研究主題將是檢驗DL NTA 方法的適用性。”

特別是,它有望成為在類似於生物體的環境中評估各種生物奈米粒子(如細胞外囊泡)特性的解決方案。它也有可能成為液體中非球形粒子佈朗運動基礎研究的創新方法。

論文連結:https://doi.org/10.1063/5.0160979

參考內容:https://phys.org/news/2023-10-deep-long-standing-identification -nanoparticle.html

以上是準確率達 80%,深度學習辨識布朗運動中奈米粒子形狀的詳細內容。更多資訊請關注PHP中文網其他相關文章!

陳述:
本文轉載於:jiqizhixin.com。如有侵權,請聯絡admin@php.cn刪除