机器学习工具对SPM图像执行立体化学作业

软件标签手性中心对扫描探针显微镜(SPM)图像的分子在新加坡开发了科学家。

知道分子的手性是许多应用程序的基础包括多相催化,手性分离、药物开发和任何依赖于表面的认可。手动确定手性从SPM图像需要几天对于复杂的系统,使一个自动化系统。

现在,科学家们从一个人工智能组和一个原子成像组在新加坡国立大学合作创建一个机器学习算法,就是干这个的。他们测试了它在两个密集的超分子组装,包括hexadimethylphenylbenzene和fluorine-substituted hexadimethylphenylbenzene单位,并发现它准确地识别手性中心在短短几小时。

SPM图像分析目前“依赖于人类的能力分析,分类和解释最终罚款STM的对比在纳米尺度上的变化,因此耗时且容易出错,解释道Jiong陆原子的成像。因此,使用机器学习来自动识别手性中心将是有益的。

领先的人工智能,Xiaonan王说框架显示特殊性能,即使在理想图像包含缺陷特征…与数量有限的训练数据,表明该模型是可靠的。betway必威游戏下载大全几个有经验的SPM用户反复核对这个模型通过手动标签的性能测试分子。有潜在的STM系统合并到当前软件,使它方便使用。

SPM分析纳米结构是一种常用的技术。Magali Lingenfelder,马克斯Planck-EPFL实验室分子纳米科学的洛桑瑞士,几十年来一直用SPM和评论,这一点也不奇怪,机器学习可以在自动图像分析产生巨大的影响。”然而,Lingenfelder并警告说,“机器学习SPM分析仍处于起步阶段…我仍然会信任我的眼睛在任何算法,但很高兴拥抱它一旦技术的改进。

“如果前手性的分子在这项研究中,任务更加困难,”Lingenfelder说。所以,使用算法来检测手性或分子构象在复杂系统中,特别是在前手性的系统,可能会产生巨大影响。“革命即将来临,”Lingenfelder补充道。我们应该欢迎,它是为了简化我们的工作。”

卢和王希望这项研究将进步一个模型,适用于各种分子系统和更通用。他们现在的目标是将不同的机器学习系统结合到SPM工具执行其他劳动密集型任务,加快材料发现工作流。