Blog

Nov 22, 2023

Classificazione della manualità nei nanomateriali chirali utilizzando l'apprendimento profondo robusto dell'errore di etichetta

npj Computational Materials

npj Computational Materials volume 8, numero articolo: 149 (2022) Citare questo articolo

1118 accessi

1 Citazioni

Dettagli sulle metriche

La microscopia elettronica a scansione (SEM) ad alto rendimento abbinata alla classificazione mediante reti neurali è un metodo ideale per determinare la manualità morfologica di grandi popolazioni di nanoparticelle chirali. L'etichettatura automatizzata rimuove la lunga etichettatura manuale dei dati di addestramento, ma introduce errori di etichetta e successivamente errori di classificazione nella rete neurale addestrata. Qui, valutiamo i metodi per ridurre al minimo l'errore di classificazione durante l'addestramento da etichette automatizzate di set di dati SEM di nanoparticelle chirali di tellurio. Usando la relazione speculare tra le immagini di particelle di mano opposta, creiamo artificialmente popolazioni con errori di etichetta variabili. Analizziamo l'impatto del tasso di errore dell'etichetta e del metodo di addestramento sull'errore di classificazione delle reti neurali su un set di dati ideale e su un set di dati pratico. Dei tre metodi di formazione considerati, abbiamo riscontrato che un approccio di pre-formazione produce i risultati più accurati in termini di tassi di errore di etichetta su set di dati ideali, dove le dimensioni e altre variabili morfologiche sono mantenute costanti, ma che un approccio di co-insegnamento offre i migliori risultati nell'applicazione pratica.

Vi è un crescente interesse per i nanomateriali inorganici chirali per applicazioni in optoelettronica e biomimetica1,2,3. Parametri specifici durante la sintesi chimica umida di nanomateriali chirali4,5,6,7,8 possono indurre un ampio grado di varietà strutturale. Di particolare importanza, i parametri di sintesi possono favorire una manualità rispetto ad un'altra. Ad esempio, nonostante la struttura cristallina chirale sottostante, le nanoparticelle di tellurio (Te) possono avere rapporti diversi di determinate chiralità a seconda delle condizioni di sintesi4,5. In un altro esempio tratto dal recente lavoro di van der Boom et al., la regolazione dei parametri di sintesi ha dato origine a singoli cristalli metallo-organici con un'ampia varietà di morfologie complesse non banali, molte delle quali sono chirali9,10. Queste variazioni sono indotte da molti fattori, tra cui i percorsi di crescita termodinamica rispetto a quella cinetica e le differenze nelle interazioni delle molecole organiche chirali con piccoli gruppi di atomi durante la sintesi. Pertanto, in molti sistemi non è ancora stata ottenuta una regolazione precisa della chiralità e delle dimensioni tramite la sintesi chimica umida. Per essere in grado di regolare la chiralità, è necessario prima determinare l'influenza dei numerosi parametri sintetici, come la temperatura, la concentrazione dei precursori o la concentrazione e il tipo di ligandi chirali che dirigono la struttura, sulla popolazione dei risultati. Questa necessità di analisi ad alto rendimento motiva lo sviluppo di metodi per classificare la manualità nelle popolazioni di nanoparticelle chirali con l'obiettivo di determinare l'influenza di questi parametri sintetici.

Sebbene le misurazioni del dicroismo circolare (CD) siano sensibili alla chiralità nelle nanoparticelle di Te, è molto difficile estrarre informazioni quantitative sull'abbondanza di ciascuna mano, poiché il CD molare di questi materiali è sconosciuto e può solo essere stimato4,5. La microscopia elettronica a scansione (SEM), al contrario, può essere utilizzata per determinare in modo inequivocabile la manualità di nanomateriali morfologicamente chirali11,12,13. Il SEM è sensibile alla topologia superficiale e può determinare direttamente la chiralità morfologica e la manualità, a differenza dei metodi di microscopia elettronica a trasmissione (a scansione) ((S)TEM) che sommano le informazioni lungo la direzione del fascio in modo tale che le informazioni sulle sfaccettature possono essere perse e quindi richiedono che più immagini siano utilizzato per determinare la manualità14. L'imaging SEM ad alto rendimento è quindi un modo particolarmente promettente per misurare le dimensioni e la manualità di grandi popolazioni di nanoparticelle chirali per comprendere meglio il ruolo delle variabili sintetiche sulle popolazioni di risultati. Tuttavia, determinare manualmente le statistiche delle particelle a partire da dati ad alto rendimento è estremamente laborioso e richiede tempo. A causa della crescente facilità di implementazione delle reti neurali per l’analisi delle immagini15,16,17, l’apprendimento profondo è un promettente sostituto dell’analisi manuale. Tuttavia, l’apprendimento profondo è noto per richiedere grandi set di dati di addestramento, che necessitano ancora di etichettatura manuale, il che significa che l’applicazione dell’apprendimento profondo agli studi sulla chiralità potrebbe anche richiedere un tempo proibitivo a causa dei requisiti di etichettatura degli esperti.