文章图片
文章图片
文献中报道的大多数 机器学习 模型可以预测纳米材料的单一生物学特性 。 显然 ， “设计安全”意味着纳米材料应满足许多关键设计标准 ， 其中一些利用纳米级材料所显示的重要的新的和有用的特性 ， 一些消除或至少减少不利的人类和生态特性 ， 以便包含纳米材料的产品可以安全地制造、使用和处置 。 一些 机器学习 方法是通用的 ， 不限于单个因变量 。 例如 ， 神经网络可以有多个输出 ， 每个输出代表不同的属性 。 例如 ， 尽管多目标 机器学习 模型在制药领域的应用越来越广泛 ， 但关于纳米材料的概念验证研究报道非常有限 。
例如 ， 安布尔等人 。 报道了一个特定软件包 QSAR-Co 的开发 ， 以同时处理纳米材料特性的建模 。 进化方法是在纳米材料的多种要求之间找到最佳平衡的常用方法 ， 例如功能性能、无毒性、成本 。机器学习 模型 ， 尤其是那些可以同时预测多个属性的模型 ， 可以用作此类进化优化方法中的替代适应度函数 ， 从而减少对材料适应度进行实验评估的需要 。 将纳米材料的相关物理化学、结构和加工参数编码为向量 ， 基本上定义了它们的“基因组” 。
【纳米科学界很可能会采用这些新颖的学习方法，来减少实践“安全设计”纳米材料的逆向设计】
通过生成相对少量的不同纳米材料 ， 理想情况下使用实验设计系统地探索纳米-生物相互作用 ， [55
这些材料可以根据一个或多个代表进化算法中的适应度函数的效用和安全端点进行评估 。 选择与所需特性最匹配的纳米材料并对其纳米材料基因组进行突变会产生用于合成和测试的新材料群体 。 通过多次围绕这个进化周期迭代 ， 可以以类似于生态位物种在自然选择中进化的方式发现具有优越性能的新材料 。 单点突变通常探索纳米材料空间的局部区域 ， 而交叉操作允许跳转到纳米材料空间的新区域 。 随着进化周期的进行 ， 可以使用纳米材料及其特性的实验数据来生成 机器学习 模型 ， 作为周期后期的替代适应度函数 ， 从而减少所需的实验次数 。 多个目标适应度函数 ， 例如 ， 有利的强度加上低的不利生物效应 ， 可以通过帕累托曲面来定义 ， 这是一条具有相同适应度但涉及多个目标之间的不同权衡的解曲线 。 据我们所知 ， 进化算法尚未用于生成新的最佳纳米材料 ， 尽管在材料科学的其他领域有充分证据表明这种方法的价值 。机器学习 模型的重要目标之一是能够对具有比训练集中的材料更好的性能的新材料进行建模 ， 本质上是反转模型以生成新的材料结构 。 考虑到这些模型中使用的描述符的性质以及构成非线性模型的响应面的复杂性 ， 直到最近 ， 几乎不可能实现这一非常理想的结果 。 因此 ， 模型实现这一目标的主要方式是通过预测数据库中大量真实或虚拟材料的属性 。 但是 ， 必须注意确保材料位于或接近模型的适用域 。 机器学习方法的最新进展改变了这一格局 ， 首次允许对预计具有改进特性的新结构进行从头预测 。
自动编码器和 GAN 将纳米材料的结构、物理化学和处理变量转换为潜在变量/描述符 ， 可用于生成与纳米材料实用性和安全性相关的属性的 机器学习 模型 。 这些方法的优点是它们允许“反转”潜在描述 ， 从而为具有改进性能的新纳米材料生成结构和加工条件 。 到目前为止 ， 还没有将这种方法应用于纳米材料的明确例子 。 在相关领域 ， 金 等人 。 最近报道了 GAN 在多孔材料逆向设计中的应用 ， So 和 Rho 使用深度卷积 GAN 通过逆向设计生成新的纳米光子结构 。 戈麦斯-邦巴雷利 等人 。 展示了如何将 DNN 和递归神经网络分别用作编码器和解码器 ， 以进行逆向设计 。DNN 对分子结构和材料特性之间的结构-特性关系进行建模 ， 并将材料编码为编码分子信息的潜在分子描述符 。RNN 允许解码与改进材料相对应的潜在分子信息 ， 以将编码的分子描述符映射到材料结构中 。 鉴于这些逆向设计方法的潜在巨大优势 ， 纳米科学界很可能会采用这些新颖的学习方法来减少实践“安全设计”纳米材料的逆向设计 。
推荐阅读
- 时间是真实存在的吗？研究发现，时间或是人类的幻象
- 美国媒体：美国独霸太空不可能实现，必须加强与中国合作！
- 霍金曾多次劝说中国关闭天眼，到底是为什么？说出来你可能不信
- 人死后的七天，真的会回家看望吗？专家给了两种答案
- 科学家做了3个有趣的猜测，成功解开多年疑惑，宇宙之外到底有什么？
- 科学家把树叶放大一亿倍后，发现了一个神奇的“微观宇宙”
- 贵州猴子能识别感冒药，它们的聪明程度出人意料，有望步入进化阶段
- 全球12个地点，看起来像是与黑洞有着什么联系一样
- 光具有无穷的能量，利用它做推进力，能否实现光速飞行？