blog

Nov 22, 2023

Classificando a lateralidade em nanomateriais quirais usando aprendizado profundo robusto de erro de rótulo

npj Materiais Computacionais

npj Computational Materials volume 8, Número do artigo: 149 (2022) Citar este artigo

1118 acessos

1 Citações

Detalhes das métricas

A microscopia eletrônica de varredura de alto rendimento (SEM) juntamente com a classificação usando redes neurais é um método ideal para determinar a lateralidade morfológica de grandes populações de nanopartículas quirais. A rotulagem automatizada remove a rotulagem manual demorada dos dados de treinamento, mas introduz erro de rótulo e, subsequentemente, erro de classificação na rede neural treinada. Aqui, avaliamos métodos para minimizar o erro de classificação ao treinar a partir de rótulos automatizados de conjuntos de dados SEM de nanopartículas quirais de telúrio. Usando a relação de espelho entre imagens de partículas opostas, criamos artificialmente populações de erros de rótulos variáveis. Analisamos o impacto da taxa de erro de rótulo e método de treinamento no erro de classificação de redes neurais em um conjunto de dados ideal e em um conjunto de dados prático. Dos três métodos de treinamento considerados, descobrimos que uma abordagem de pré-treinamento produz os resultados mais precisos nas taxas de erro de rótulo em conjuntos de dados ideais, onde o tamanho e outras variáveis ​​morfológicas são mantidas constantes, mas que uma abordagem de co-ensino apresenta o melhor desempenho na aplicação prática.

Há um interesse crescente em nanomateriais quirais inorgânicos para aplicação em optoeletrônica e biomimética1,2,3. Parâmetros específicos durante a síntese química úmida de nanomateriais quirais4,5,6,7,8 podem induzir um grande grau de variedade estrutural. De particular importância, os parâmetros de síntese podem favorecer uma lateralidade em detrimento de outra. Por exemplo, apesar de sua estrutura cristalina quiral subjacente, as nanopartículas de Telúrio (Te) podem ter diferentes proporções de certas quiralidades, dependendo das condições de síntese4,5. Em outro exemplo do trabalho recente de van der Boom et al., o ajuste dos parâmetros de síntese deu origem a monocristais metalo-orgânicos com uma ampla variedade de morfologias não triviais complexas, muitas das quais são quirais9,10. Essas variações são induzidas por muitos fatores, incluindo vias de crescimento termodinâmicas versus cinéticas e diferenças nas interações de moléculas orgânicas quirais com pequenos aglomerados de átomos durante a síntese. Portanto, o ajuste preciso da quiralidade ao lado do tamanho por meio de síntese química úmida ainda não foi obtido em muitos sistemas. Para poder ajustar a quiralidade, deve-se primeiro determinar a influência de muitos parâmetros sintéticos, como temperatura, concentração de precursor ou concentração e tipo de ligantes quirais que direcionam a estrutura, na população resultante. Essa necessidade de análise de alto rendimento motiva o desenvolvimento de métodos para classificar a lateralidade em populações de nanopartículas quirais com o objetivo de determinar a influência desses parâmetros sintéticos.

Embora as medições de dicroísmo circular (CD) sejam sensíveis à quiralidade em nanopartículas de Te, é muito desafiador extrair informações quantitativas sobre a abundância de cada lateralidade, pois o CD molar desses materiais é desconhecido e só pode ser estimado4,5. A microscopia eletrônica de varredura (SEM), em contraste, pode ser usada para determinar inequivocamente a lateralidade de nanomateriais morfologicamente quirais11,12,13. O SEM é sensível à topologia da superfície e pode determinar diretamente a quiralidade morfológica e a lateralidade, ao contrário dos métodos de microscopia eletrônica de transmissão (varredura) ((S)TEM) que somam as informações ao longo da direção do feixe, de modo que as informações de lapidação podem ser perdidas e, portanto, exigem que várias imagens sejam usado para determinar a lateralidade14. A imagem SEM de alto rendimento é, portanto, uma maneira particularmente promissora de medir o tamanho e a lateralidade de grandes populações de nanopartículas quirais para entender melhor o papel das variáveis ​​sintéticas nas populações de resultado. No entanto, determinar manualmente as estatísticas de partículas a partir de dados de alto rendimento é extremamente trabalhoso e demorado. Devido à crescente facilidade de implementação de redes neurais para análise de imagens15,16,17, o aprendizado profundo é um substituto promissor para a análise manual. No entanto, o aprendizado profundo é conhecido por exigir grandes conjuntos de dados de treinamento, que ainda precisam de rotulagem manual, o que significa que a aplicação do aprendizado profundo a estudos de quiralidade também pode consumir muito tempo devido aos requisitos de rotulagem de especialistas.