Tekoäly auttaa tunnistamaan monimutkaisempia molekyylirakenteita
Aalto-yliopistossa on kehitetty uudenlainen, materiaalianalyysia ja tekoälyä yhdistävä menetelmä, joka auttaa selvittämään materiaalien monimutkaista molekyylirakennetta. Kun tekoälyalgoritmi yhdistettiin atomivoimamikroskoopilla mitattuihin kuviin ja valtavaan simuloituun datamäärään, tutkijat pystyivät tunnistamaan yhä monimutkaisempia molekyylirakenteita.
Tämä on tärkeää, sillä materiaalisuunnittelijoiden täytyy tietää materiaalien molekyylirakenne tarkkaan, jotta esimerkiksi muoveja voidaan korvata kasviperäisillä biopolymeereillä. Atomivoimamikroskoopilla (AFM) voidaan mitata litteiden, tasomaisten molekyylien rakennetta. Jos molekyylit ovat monimutkaisia, niiden selvittäminen on kuitenkin paljon vaikeampaa.
Aallon tutkimuksessa koneoppimisjärjestelmää testattiin aluksi simuloidulla atomivoimamikroskoopin datalla. Professori Adam S. Fosterin tutkimusryhmä kehitti koneoppimisen ja AFM-simulaatioiden avulla menetelmän, joka osaa yhdistää atomivoimamikroskoopin kuvat niiden molekyylirakenteisiin.
Tämän tutkimuksen myötä saadaan runsaasti lisää tietoa materiaaleista ja ymmärrys kolmiulotteisten molekyylirakenteiden kuvista kasvaa. Lisäksi uudella menetelmällä pystytään nykyisiä menetelmiä nopeammin selvittämään, miten molekyyli asettuu pinnalle. Tehtävä voidaan myös toteuttaa ihmisasiantuntijoita nopeammin ja luotettavammin”, kertoo artikkelin ensimmäinen kirjoittaja, Aalto-yliopiston tohtorikoulutettava Benjamin Alldritt.
Tasomaisten molekyylien AFM-kuvia on helppo tulkita, mutta kolmiulotteisten molekyylien osalta se on paljon vaikeampaa. Esimerkiksi se, miten molekyyli tarttuu pintaan, on tärkeää selvittää, jotta ymmärretään, miten tiukasti molekyyli kiinnittyy pintaan tai reagoi sen kanssa.
”Tällä hetkellä käytettävä menetelmä on arvata rakenne, simuloida AFM-kuvat ja katsoa, menikö oikein. Kun mahdollisuuksia on paljon, tämä on hidasta ja vaivalloista, eikä lopulta voi olla kovin varma, tulivatko kaikki mahdolliset rakenteet mieleen”, selittää akatemiaprofessori Peter Liljeroth.
Tekoälyn avulla monimutkaisia, kolmiulotteisia AFM-kuvia voitiin tulkita luotettavasti ja nopeasti ja molekyylien rakenne pystyttiin selvittämään.
Tutkimuksessa käytettiin tunnettua biomolekyyliä, 1S-kamferia, jonka atomirakenne on tunnettu. Puuteollisuuden biotuotteena se muistuttaa paljon niitä molekyylejä, joista Aalto-yliopiston tutkijat pyrkivät valmistamaan kestävän kehityksen tuotteita.
Tutkimus toteutettiin akatemiaprofessori Liljerothin, professori Fosterin ja professori Juho Kannalan johdolla. Tutkimusartikkeli julkaistiin Science Advances -ä.
äپٴDz:
Artikkeli:
B. Alldritt, P. Hapala, N. Oinonen, F. Urtev, O. Krejci, F. Federici Canova, J. Kannala, F. Schulz, P. Liljeroth, A. S. Foster, Automated structure discovery in atomic force microscopy. Sci. Adv. 6, eaay6913 (2020).
Contact
Lue lisää uutisia
The company established by three anthropologists relied on strong research expertise
Etnografinen tutkimustoimisto Kenno Oy was established in 2014 when its three founders were finalising their master's degree studies at the University of Helsinki and wanted to create an interesting job for themselves.
Kolmen tutkijan ideasta syntyi deep tech -yritys
Vahvaan tutkimusosaamiseen nojaava Sim Analytics Oy sai alkunsa, kun kolme LUT-yliopiston eri laboratorioissa työskennellyttä tutkijakollegaa alkoi miettiä, miten tarjota ja analysoida dataa teollisuusyritysten liiketoimintapäätösten tueksi.
Ensimmäinen suprajohtava kvanttilämpökone osoittaa, että lämpö voidaan valjastaa työksi myös kvanttimaailmassa
Suprajohtava kvanttilämpökone paitsi edistää termodynamiikan perustutkimusta, voi myös merkittävästi pienentää tulevaisuuden kvanttitietokoneiden hintalappua.