通过高通量合成和人工神经网络预测钙钛矿材料的化学空间-性质模型

通过高通量合成和人工神经网络预测钙钛矿材料的化学空间-性质模型

学术背景 钙钛矿材料因其在太阳能电池和其他电子器件中的广泛应用而备受关注。其光学性质(如带隙和晶格振动)可以通过调整化学组成来灵活调控。尽管从钙钛矿结构预测光学性质的研究已经较为成熟,但如何从光学数据反向预测化学组成却一直是一个难题。这一问题的解决对于加速钙钛矿材料的开发和生产具有重要意义,尤其是在大规模工业生产中,快速筛选和验证新材料的化学组成将极大地提高生产效率。 为了应对这一挑战,研究者们提出了一种结合高通量合成、高分辨率光谱技术和机器学习(特别是人工神经网络,ANN)的创新方法。通过这种方法,他们不仅能够高效合成多种化学组成的钙钛矿材料,还能够通过光学数据准确预测其化学组成。这一研究为钙钛矿材料的快速筛选和优化提供了新的工具。 论文来源 该研究由来自Michigan State Un...

基于人工智能设计的全新荧光素酶实现多重生物发光成像

基于人工智能设计的全新荧光素酶实现多重生物发光成像

学术背景 生物发光技术(bioluminescence)是一种高度敏感且非侵入性的成像技术,能够在活体生物中进行实时监测,而无需外部光源。荧光素酶(luciferase)是催化发光反应的关键酶,但天然荧光素酶存在诸多局限性,如蛋白质折叠不良、体积大、依赖ATP、催化效率低等。这些限制阻碍了生物发光技术在生物医学研究中的广泛应用。近年来,尽管通过定向进化(directed evolution)等方法对天然荧光素酶进行改造取得了一定进展,但仍无法完全克服这些局限性。 为了解决这些问题,研究团队利用基于深度学习的蛋白质设计方法,从头设计(de novo design)了一类新型荧光素酶,称为NeoLux系列。这些人工设计的荧光素酶不仅具有优异的催化效率、稳定性、体积小、不依赖ATP等特性,还能够与...

活细菌化学在生物医学中的应用

背景介绍 活体细菌在生物医学领域的应用近年来引起了广泛关注。传统上,细菌被视为病原体,需要被消除。然而,随着现代细菌学的发展,人们逐渐认识到细菌与人体共生的复杂性及其在治疗、诊断和药物递送中的独特潜力。尽管化学工程为增强生物安全性和改善治疗效果提供了创新思路,但活体细菌在精准医学中的全面应用仍面临重大挑战。特别是,活体细菌进入人体后的命运、其生物过程的复杂性以及个体化治疗的多样性,都是亟待解决的问题。此外,人工智能和机器学习技术的引入,为设计和预测活体细菌与人体相互作用提供了新的可能性。 论文来源 这篇题为《Live Bacterial Chemistry in Biomedicine》的论文由来自哈佛医学院布莱根妇女医院纳米医学中心的Senfeng Zhao、Qian Chen、Qiman...

硬件兼容的扰动训练算法的扩展研究

随着人工智能(AI)技术的快速发展,人工神经网络(Artificial Neural Networks, ANNs)在多个领域取得了显著成就。然而,传统的神经网络训练方法——尤其是反向传播算法(Backpropagation)——在硬件实现上存在诸多挑战。反向传播算法虽然在软件中高效,但在硬件中实现时,要求计算路径可逆、每个神经元需要大量内存,并且需要计算激活函数的导数,这些条件在硬件中难以满足。此外,传统的互补金属氧化物半导体(CMOS)硬件在训练和部署这些算法时,能源消耗巨大,限制了其扩展性和广泛应用。 为了解决这些问题,研究人员开始探索脑启发(brain-inspired)的硬件解决方案,尤其是模拟神经形态硬件(analog neuromorphic hardware)。这类硬件能够以...

二维材料集成光子学:走向工业制造和商业化

学术背景 随着信息时代的到来,集成电路(Integrated Circuits, ICs)成为了推动技术进步的核心力量。然而,传统的集成光子学平台(如硅、氮化硅等)在材料特性上存在诸多限制,例如硅的间接带隙限制了其在激光应用中的使用,而硅在近红外波段的强双光子吸收也限制了其在非线性光学应用中的表现。为了克服这些限制,研究人员开始探索将具有优异光学特性的二维材料(2D Materials)集成到光子芯片上。二维材料,如石墨烯(Graphene)、过渡金属二硫化物(Transition Metal Dichalcogenides, TMDCs)、黑磷(Black Phosphorus, BP)等,展现出超高的载流子迁移率、宽带光学响应、层依赖的可调带隙等特性,为下一代光子集成电路(Photoni...

利用可解释人工智能探测WS2单层纳米尺度结构扰动

背景介绍 二维材料(2D materials)因其独特的物理化学性质,在纳米电子学、光电子学等领域展现出巨大的应用潜力。然而,这些材料在纳米尺度上的结构扰动(structural perturbations)对其性能有着重要影响。传统的表征方法如拉曼光谱(Raman spectroscopy)虽然能够提供材料的结构信息,但其空间分辨率通常受到衍射极限的限制,难以在纳米尺度上精确探测结构变化。为了解决这一问题,研究者们开始探索将机器学习(machine learning, ML)与光谱技术结合,以提高空间分辨率并揭示纳米尺度的结构扰动。 本研究由来自Hanyang University、Sungkyunkwan University、Korea Advanced Institute of Sc...