Koneoppiminen ennustaa nanopartikkelien rakennetta ja dynamiikkaa
Tutkimuksen kohteena olivat orgaanisilla molekyyleillä suojatut metallinanopartikkelit, joiden tutkimisella on pitkä perinne Nanotiedekeskuksessa. Viime vuonna tutkijat julkaisivat menetelmän, jolla pystytään ennustamaan kultananopartikkelin pinnalle sitoutuvien rakennetta suojaavien molekyylien paikkoja kokeellisesti tunnettujen partikkelirakenteiden perusteella. Nyt yhteistyöstä on syntynyt laskentatyökalu potentiaalienergioiden ennustamiseen suojatun kultananopartikkelin rakenteen perusteella. Työkalu mahdollistaa myös atomien dynamiikan simuloimisen Monte Carlo – menetelmän avulla.
Potentiaalienergia on olennainen suure laskennallisessa nanotieteessä, koska sen perusteella pystytään mm. arvioimaan systeemien stabiiliutta, kemiallisten reaktioiden nopeutta ja atomien sitoutumisen lujuutta. Sitä tarvitaan myös tutkittaessa suojattujen metallinanopartikkelien ominaisuuksia ja mahdollisia käyttökohteita, kuten katalyysiä ja biologisten kohteiden (proteiinit, DNA, virukset yms.) kuvantamista.
Suojatut metallinanopartikkelit koostuvat metallisesta ytimestä ja sen pinnalla olevasta suojaavasta molekyylikerroksesta. Nämä partikkelit ovat työläitä tutkia useilla laskennallisilla menetelmillä, joten niiden simulaatiot vaativat usein supertietokoneita. Koneoppimismenetelmät sen sijaan ovat keveitä käyttää, kun ne on opetettu valmiiksi. Nopeat menetelmät avaavat uusia mahdollisuuksia tutkia nanopartikkelien kemiaa realistisemmissa aikaskaaloissa.
Koneoppimista hyödyntävät simulaatiot voidaan tehdä vaikka kannettavalla tietokoneella
Tutkijat käyttivät menetelmän ennustamia potentiaalienergioita kultananopartikkelin atomien värähtelyn simuloimiseen eri lämpötiloissa. Tulokset olivat yhteneviä supertietokoneilla tehtyihin niin sanottuihin tiheysfunktionaaliteoriaa käyttäviin simulointeihin, jotka vaativat yleensä satoja tai tuhansia laskentaytimiä ja kestävät useita vuorokausia.
Koneoppimista hyödyntävät simulaatiot voidaan tehdä kannettavalla tietokoneella tai tavallisella pöytäkoneella. Koska menetelmä on laskennallisesti kevyt, simulaatioita pystytään jatkamaan kultananopartikkelin kannalta pitkiäkin aikoja. Tämä mahdollistaa partikkelin rakennemuutosten ja partikkelien välisten reaktioiden tutkimisen.
Kyseistä menetelmää käyttävä tutkimus on ensimmäinen nanotieteen alalla. Menetelmä kuvaa partikkelien rakenteet atomien välisten etäisyyksien avulla ja käyttää näiden kuvausten välisiä etäisyyksiä potentiaalienergian ennustuksessa.
Tutkimus osoittaa, että etäisyyspohjaiset koneoppimismenetelmät omaavat suuria mahdollisuuksia monimutkaisten ongelmien ratkomisessa. Lisäksi menetelmän nopeus tarjoaa arvokkaan työkalun nanotieteisiin. Menetelmä vaatii vain pienen määrän laskennallisia resursseja tuottaakseen luotettavia tuloksia.
”On äärimmäisen mielenkiintoista, että hyödyntämällä vanhoja tutkimustuloksiamme voimmekin siirtyä supertietokoneen sadoista tai tuhansista prosessoreista kotikoneen muutamaan prosessoriin”, sanoo artikkelin ensimmäinen kirjoittaja, tutkijakoulutettava Antti Pihlajamäki.
”Hienoa ja hieman yllättävää, miten hyvin matemaattisesti näinkin yksinkertaiset menetelmät toimivat nanopartikkeleille”, arvioi professori Tommi Kärkkäinen informaatioteknologian tiedekunnasta.
”Jatkossa aiomme opettaa menetelmäämme toimimaan useille eri kokoisille ja tyyppisille metallinanopartikkeleille. Tarvitsemme edelleen tehokkaita supertietokoneita menetelmän opetuksessa tarvittavan vertailudatan tuottamiseen, mutta partikkelien toiminnallisuuden kannalta tärkeitten prosessien simuloimiseen voimme jatkossa käyttää toivottavasti pääasiassa näitä uusia tehokkaita menetelmiä”, sanoo tutkimusta koordinoinut akatemiaprofessori Hannu Häkkinen.
Tutkimuksessa olivat mukana Pihlajamäen, Kärkkäisen ja Häkkisen lisäksi yliopistotutkija Sami Malola, yliopistonlehtori Paavo Nieminen, tutkijatohtori Joonas Hämäläinen ja tutkijakoulutettava Joakim Linja.
Tutkimus rahoitettiin Suomen Akatemian AIPSE-tutkimusohjelmasta (Artificial Intelligence in Physical Sciences and Engineering).
Linkki tutkimukseen The Journal of Physical Chemistry –lٱ:
Linkki aiemmin julkaistuun tutkimukseen Nature-julkaisussa:
äپٴᲹ:
Akatemiaprofessori Hannu Häkkinen, matemaattis-luonnontieteellinen-tiedekunta, hannu.j.hakkinen@jyu.fi, 0400 247 973
Professori Tommi Kärkkäinen, informaatioteknologian tiedekunta, tka@jyu.fi, puh. 040 805 4896
Viestinnän asiantuntija Tanja Heikkinen, tanja.s.heikkinen@jyu.fi, +358 50 581 8351
Matemaattis-luonnontieteellinen tiedekunta
/science/fi
jyscience jyuscience jyscience