


Avec une précision de 80 %, l'apprentissage profond identifie les formes de nanoparticules dans le mouvement brownien
Éditeur | Pothos
Avec l'application pratique des nanoparticules dans les domaines médical, pharmaceutique et industriel, du point de vue des matériaux, il est nécessaire d'évaluer les propriétés et l'état d'agglomération de chaque nanoparticule et d'effectuer un contrôle qualité
Une façon d’évaluer les nanoparticules dans les liquides consiste à analyser les trajectoires du mouvement brownien. Bien que l’analyse de nano-suivi (NTA) soit une méthode simple pour mesurer des particules individuelles de l’échelle micro à nanométrique, son incapacité à évaluer la forme des nanoparticules constitue un problème de longue date. NTA suppose toujours la sphéricité lors de la quantification de la taille des particules à l'aide de l'équation de Stokes-Einstein, mais ne peut pas vérifier si les particules mesurées sont réellement sphériques.
Une équipe de recherche de l'Université de Tokyo a proposé une nouvelle méthode pour évaluer les propriétés anisotropes de forme des nanoparticules, résolvant ainsi un problème d'évaluation des nanoparticules qui existe depuis l'époque d'Einstein.
Les chercheurs ont construit un modèle d'apprentissage profond (DL) pour prédire la forme des nanoparticules à l'aide de données de trajectoire de séries chronologiques de mouvement brownien obtenues à partir de mesures NTA. En utilisant le modèle d'ensemble pour l'analyse de trajectoire, le modèle d'apprentissage profond a pu atteindre une précision de classification d'une particule unique d'environ 80 % pour deux nanoparticules d'or d'environ la même taille mais de formes différentes, que le NTA traditionnel ne peut pas distinguer individuellement.
De plus, la recherche montre que le rapport de mélange des nanoparticules sphériques et des nanoparticules en forme de bâtonnet peut être estimé quantitativement sur la base des données de mesure d'échantillons mélangés de nanoparticules. Ce résultat montre qu'en appliquant l'analyse par diffusion dynamique de la lumière (DL) aux mesures d'analyse de suivi des nanoparticules (NTA), il est possible d'évaluer la forme des particules, ce que l'on pensait auparavant impossible.
Cette recherche est publiée dans APL Machine Learning " Publié sur "Utilisation du Deep Learning pour analyser les trajectoires de mouvement brownien de nanoparticules non sphériques"
Utilisant les caractéristiques de la diffusion de la lumière et du mouvement brownien, la NTA (Nanoparticle Tracking Analysis) est une méthode de mesure des suspensions liquides. La méthode de détection des particules La distribution par taille des échantillons moyens a été largement utilisée commercialement. Le NTA utilise la formule théorique proposée par Einstein il y a plus de 100 ans pour calculer le diamètre d'une particule. La trajectoire du mouvement brownien reflète l'influence de la forme de la particule, mais en pratique, il est difficile de mesurer un mouvement extrêmement rapide. De plus, même si les particules sont non sphériques, les méthodes d’analyse traditionnelles sont inexactes car elles supposent inconditionnellement que les particules sont sphériques et utilisent les équations de Stokes-Einstein pour l’analyse.
Cependant, grâce à l'apprentissage profond, qui permet de trouver des corrélations cachées dans des données à grande échelle, il est possible de détecter les différences causées par des différences de forme même si les données de mesure sont moyennes ou contiennent des erreurs qui ne peuvent être séparées.
Une équipe de recherche dirigée par le professeur Takanori Ichiki de l'Université de Tokyo a développé avec succès un modèle d'apprentissage profond. Ce modèle peut identifier des formes à partir des données de trajectoire de mouvement brownien mesurées sans changer la méthode expérimentale. Afin de prendre en compte simultanément les changements de séries chronologiques de données et la corrélation avec l'environnement, ils ont utilisé un modèle de réseau neuronal convolutif unidimensionnel (1D CNN) pour extraire les caractéristiques locales et l'ont combiné avec un modèle LSTM bidirectionnel doté de capacités d'agrégation dynamique temporelle.
Le développement de modèles d'estimation de forme comprend généralement trois étapes : d'abord, les mesures NTA de l'acquisition de données brutes, puis la création d'ensembles de données et de modèles pour l'apprentissage en profondeur, et enfin la formation en apprentissage en profondeur
Illustration : Structure unidimensionnelle de Modèle d'apprentissage profond CNN+Bi-LSTM. (Source : article)
Étudiez à l'aide de données de séries chronologiques de différentes longueurs de trajectoire (20, 40, 60, 80 et 100 images) en changeant chacun des quatre modèles (MLP, LSTM, 1D CNN et 1D CNN+Bi-LSTM) Les hyperparamètres du nombre d'images sont utilisés pour vérifier la convergence de l'apprentissage. La précision des modèles LSTM et 1D CNN est supérieure à 80 % à 100 images, ce qui montre que l'extraction de caractéristiques locales et l'accumulation dynamique temporelle via la convolution extraient les caractéristiques de forme. Méthode efficace. Dans le même temps, la haute précision montre que la classification de forme des nanoparticules dans les liquides a atteint le niveau réaliste de l'analyse de particules uniques à l'aide de NTA et DL. chaque modèle d'apprentissage profond (Source : article)
Après une analyse d'apprentissage profond, nous avons réussi à classer les nanoparticules individuelles dans les liquides en fonction de leur forme, et la précision était très élevée, atteignant un niveau pratique. Parallèlement, dans cette étude, nous avons également établi une courbe d’étalonnage permettant de déterminer le rapport de mélange de la solution mixte de nanoparticules sphériques et en forme de bâtonnet. Compte tenu des types actuellement connus de formes de nanoparticules, nous pensons que cette méthode peut détecter efficacement la forme des nanoparticules
Illustration : Système d'analyse de particules utilisant une puce microcapillaire, utilisant la technologie NTA pour mesurer les résultats du mouvement brownien. Obtenir la distribution granulométrique de le mélange. (Cité de : article)
La méthode NTA traditionnelle ne peut pas observer directement la forme des particules et les informations caractéristiques obtenues sont limitées. Grâce à la méthode DL, même des particules de formes différentes ayant le même diamètre hydraté peuvent être distinguées des mélanges en fonction de leurs trajectoires.
Dans l'étude, ils ont essayé de déterminer la forme des deux particules, mais étant donné les types de formes des nanoparticules disponibles dans le commerce, ils ont pensé que cette méthode pourrait être utilisée pour des applications pratiques, telles que la détection de corps étrangers dans des systèmes homogènes. L'extension du NTA peut être appliquée non seulement à la recherche mais également à l'industrie, comme l'évaluation des propriétés, de l'état d'agglomération et de l'homogénéité des nanoparticules non sphériques, ainsi que le contrôle qualité.
Les chercheurs ont déclaré : « Ce sera une direction de recherche intéressante d'étendre les objets de mesure des particules à diverses formes et matériaux, et les futurs sujets de recherche consisteront à tester l'applicabilité de la méthode DL+NTA
Spécial Oui, il promet d'être une solution pour évaluer les propriétés de diverses nanoparticules biologiques, comme les vésicules extracellulaires, dans un environnement similaire à celui des organismes vivants. Elle a également le potentiel de devenir une méthode innovante pour la recherche fondamentale sur le mouvement brownien des particules non sphériques dans les liquides.
Lien papier : https://doi.org/10.1063/5.0160979
Contenu de référence : https://phys.org/news/2023-10-deep-long-standing-identification-nanoparticle.html
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds

Mais peut-être qu’il ne pourra pas vaincre le vieil homme dans le parc ? Les Jeux Olympiques de Paris battent leur plein et le tennis de table suscite beaucoup d'intérêt. Dans le même temps, les robots ont également réalisé de nouvelles avancées dans le domaine du tennis de table. DeepMind vient tout juste de proposer le premier agent robot apprenant capable d'atteindre le niveau des joueurs amateurs humains de tennis de table de compétition. Adresse papier : https://arxiv.org/pdf/2408.03906 Quelle est la capacité du robot DeepMind à jouer au tennis de table ? Probablement à égalité avec les joueurs amateurs humains : tant en coup droit qu'en revers : l'adversaire utilise une variété de styles de jeu, et le robot peut également résister : recevoir des services avec des tours différents : Cependant, l'intensité du jeu ne semble pas aussi intense que le vieil homme dans le parc. Pour les robots, le tennis de table

Le 21 août, la Conférence mondiale sur les robots 2024 s'est tenue en grande pompe à Pékin. La marque de robots domestiques de SenseTime, "Yuanluobot SenseRobot", a dévoilé toute sa famille de produits et a récemment lancé le robot de jeu d'échecs Yuanluobot AI - Chess Professional Edition (ci-après dénommé "Yuanluobot SenseRobot"), devenant ainsi le premier robot d'échecs au monde pour le maison. En tant que troisième produit robot jouant aux échecs de Yuanluobo, le nouveau robot Guoxiang a subi un grand nombre de mises à niveau techniques spéciales et d'innovations en matière d'IA et de machines d'ingénierie. Pour la première fois, il a réalisé la capacité de ramasser des pièces d'échecs en trois dimensions. grâce à des griffes mécaniques sur un robot domestique et effectuer des fonctions homme-machine telles que jouer aux échecs, tout le monde joue aux échecs, réviser la notation, etc.

La rentrée scolaire est sur le point de commencer, et ce ne sont pas seulement les étudiants qui sont sur le point de commencer le nouveau semestre qui doivent prendre soin d’eux-mêmes, mais aussi les grands modèles d’IA. Il y a quelque temps, Reddit était rempli d'internautes se plaignant de la paresse de Claude. « Son niveau a beaucoup baissé, il fait souvent des pauses et même la sortie devient très courte. Au cours de la première semaine de sortie, il pouvait traduire un document complet de 4 pages à la fois, mais maintenant il ne peut même plus produire une demi-page. !" https://www.reddit.com/r/ClaudeAI/comments/1by8rw8/something_just_feels_wrong_with_claude_in_the/ dans un post intitulé "Totalement déçu par Claude", plein de

Lors de la World Robot Conference qui se tient à Pékin, l'exposition de robots humanoïdes est devenue le centre absolu de la scène. Sur le stand Stardust Intelligent, l'assistant robot IA S1 a réalisé trois performances majeures de dulcimer, d'arts martiaux et de calligraphie. un espace d'exposition, capable à la fois d'arts littéraires et martiaux, a attiré un grand nombre de publics professionnels et de médias. Le jeu élégant sur les cordes élastiques permet au S1 de démontrer un fonctionnement fin et un contrôle absolu avec vitesse, force et précision. CCTV News a réalisé un reportage spécial sur l'apprentissage par imitation et le contrôle intelligent derrière "Calligraphy". Le fondateur de la société, Lai Jie, a expliqué que derrière les mouvements soyeux, le côté matériel recherche le meilleur contrôle de la force et les indicateurs corporels les plus humains (vitesse, charge). etc.), mais du côté de l'IA, les données réelles de mouvement des personnes sont collectées, permettant au robot de devenir plus fort lorsqu'il rencontre une situation forte et d'apprendre à évoluer rapidement. Et agile

Intégration profonde de la vision et de l'apprentissage des robots. Lorsque deux mains de robot travaillent ensemble en douceur pour plier des vêtements, verser du thé et emballer des chaussures, associées au robot humanoïde 1X NEO qui a fait la une des journaux récemment, vous pouvez avoir le sentiment : nous semblons entrer dans l'ère des robots. En fait, ces mouvements soyeux sont le produit d’une technologie robotique avancée + d’une conception de cadre exquise + de grands modèles multimodaux. Nous savons que les robots utiles nécessitent souvent des interactions complexes et exquises avec l’environnement, et que l’environnement peut être représenté comme des contraintes dans les domaines spatial et temporel. Par exemple, si vous souhaitez qu'un robot verse du thé, le robot doit d'abord saisir la poignée de la théière et la maintenir verticalement sans renverser le thé, puis la déplacer doucement jusqu'à ce que l'embouchure de la théière soit alignée avec l'embouchure de la tasse. , puis inclinez la théière selon un certain angle. ce

Les contributeurs ont beaucoup gagné de cette conférence ACL. L'ACL2024, d'une durée de six jours, se tient à Bangkok, en Thaïlande. ACL est la plus grande conférence internationale dans le domaine de la linguistique informatique et du traitement du langage naturel. Elle est organisée par l'Association internationale pour la linguistique informatique et a lieu chaque année. L'ACL s'est toujours classée première en termes d'influence académique dans le domaine de la PNL, et c'est également une conférence recommandée par le CCF-A. La conférence ACL de cette année est la 62e et a reçu plus de 400 travaux de pointe dans le domaine de la PNL. Hier après-midi, la conférence a annoncé le meilleur article et d'autres récompenses. Cette fois, il y a 7 Best Paper Awards (deux inédits), 1 Best Theme Paper Award et 35 Outstanding Paper Awards. La conférence a également décerné 3 Resource Paper Awards (ResourceAward) et Social Impact Award (

Cet après-midi, Hongmeng Zhixing a officiellement accueilli de nouvelles marques et de nouvelles voitures. Le 6 août, Huawei a organisé la conférence de lancement de nouveaux produits Hongmeng Smart Xingxing S9 et Huawei, réunissant la berline phare intelligente panoramique Xiangjie S9, le nouveau M7Pro et Huawei novaFlip, MatePad Pro 12,2 pouces, le nouveau MatePad Air, Huawei Bisheng With de nombreux nouveaux produits intelligents tous scénarios, notamment la série d'imprimantes laser X1, FreeBuds6i, WATCHFIT3 et l'écran intelligent S5Pro, des voyages intelligents, du bureau intelligent aux vêtements intelligents, Huawei continue de construire un écosystème intelligent complet pour offrir aux consommateurs une expérience intelligente du Internet de tout. Hongmeng Zhixing : Autonomisation approfondie pour promouvoir la modernisation de l'industrie automobile intelligente Huawei s'associe à ses partenaires de l'industrie automobile chinoise pour fournir

L’intelligence artificielle se développe plus rapidement que vous ne l’imaginez. Depuis que GPT-4 a introduit la technologie multimodale aux yeux du public, les grands modèles multimodaux sont entrés dans une phase de développement rapide, passant progressivement de la recherche et du développement de modèles purs à l'exploration et à l'application dans des domaines verticaux, et sont profondément intégrés dans tous les horizons. Dans le domaine de l'interaction des interfaces, des géants internationaux de la technologie tels que Google et Apple ont investi dans la recherche et le développement de grands modèles d'interface utilisateur multimodaux, ce qui est considéré comme la seule voie à suivre pour la révolution de l'IA des téléphones mobiles. C’est dans ce contexte qu’est né le premier modèle d’assurance-chômage à grande échelle en Chine. Le 17 août, lors de la conférence internationale sur la conception d'expériences IXDC2024, Motiff, un outil de conception à l'ère de l'IA, a lancé son modèle multimodal d'interface utilisateur développé indépendamment - Motiff Model. Il s'agit du premier outil de conception d'interface utilisateur au monde
