News
Ad
Ad
Ad
Fisica

Classificare le nanoparticelle metalliche con l’intelligenza artificiale

Pinterest LinkedIn Tumblr

Classificare le nanoparticelle metalliche con l’intelligenza artificiale

Una ricerca del Dipartimento di Ingegneria meccanica e aerospaziale della Sapienza ha messo a punto tecniche di intelligenza artificiale per distinguere facilmente le diverse strutture presenti in nanoparticelle di oro, argento e rame. Questo metodo migliorerà le applicazioni nell’ambito della medicina, dell’ottica e nei processi catalitici. I risultati sono pubblicati sulla rivista ACS Nano.

Classificare le nanoparticelle metalliche con l’intelligenza artificiale. Immagine di Gerd Altmann, licenza

Le nanoparticelle metalliche giocano un ruolo importante in diverse applicazioni tecnologiche, come l’ottica e i processi catalitici. Di fondamentale importanza per la loro funzionalità sono la forma e la struttura cristallina, caratteristiche che, a causa dell’elevata frazione di atomi di superficie, possono essere molto variabili e difficili da distinguere.

Uno studio pubblicato sulla rivista ACS Nano, coordinato da Alberto Giacomello e Antonio Tinti del Dipartimento di Ingegneria meccanica e aereospaziale della Sapienza, in collaborazione con l’Università di Genova, l’Università Politecnica delle Marche e l’Istituto Italiano di Tecnologia, propone una tecnica di intelligenza artificiale capace di suddividere e classificare le strutture delle nanoparticelle in maniera automatica in base alla loro somiglianza, discriminando con grande dettaglio affinità di forma delle strutture o presenza di particolari difetti cristallini.

Mediante l’utilizzo di reti neurali simili a quelle utilizzate nell’analisi delle immagini è stato possibile generare una mappa tridimensionale dei dati. In questo modo i ricercatori sono riusciti a distinguere facilmente le diverse strutture presenti in nanoparticelle d’oro, d’argento e di rame, con un livello di dettaglio senza precedenti. Inoltre, questo approccio ha consentito di seguire e comprendere i passaggi elementari di una transizione tra due specifiche strutture, aprendo la strada a nuove tecniche accelerate di simulazione.

“È stato prima di tutto necessario individuare una grandezza fisica capace di descrivere le differenze tra le varie strutture, la funzione di distribuzione radiale – spiega Giacomello – e successivamente dall’applicazione a quest’ultima di tecniche di intelligenza artificiale, nello specifico il machine learning, è stato possibile estrarre e analizzare con maggiore semplicità le informazioni contenute nella grandezza fisica di partenza. Inoltre abbiamo potuto contare su un database molto esteso di strutture proveniente da simulazioni di dinamica molecolare svolte in precedenza dal gruppo di ricerca”.

La ricerca è stata finanziata da Progetti di ricerca di rilevante interesse nazionale (Prin), bando 2017 “Understanding and Tuning Friction through nanOstructure Manipulation (UTFROM)”, coordinato da Riccardo Ferrando esperto di nanocluster metallici dell’Università di Genova mentre l’unità di ricerca della Sapienza è coordinata da Alberto Giacomello.

Riferimenti:

Charting Nanocluster Structures via Convolutional Neural Networks – Emanuele Telari, Antonio Tinti, Manoj Settem, Luca Maragliano, Riccardo Ferrando, e Alberto Giacomello – ACS Nano (2023). https://doi.org/10.1021/acsnano.3c05653

 

Testo dal Settore Ufficio stampa e comunicazione Sapienza Università di Roma

ScientifiCult è una Testata Giornalistica registrata presso il Tribunale di Bari numero R.G. 5296/2021 - R.S. 21. Direttrice Responsabile: Alessandra Randazzo

Write A Comment