开发纳米颗粒合成的数据科学方法

通常，试图合成特定靶向材料颗粒的研究人员不得不依靠直觉或试错方法。这种方法可能效率低下，需要大量的时间和资源投资

为了克服这种方法的模糊性，PNNL的研究人员利用数据科学和ML技术的力量来帮助简化氧化铁颗粒的合成开发。这项研究发表在《化学工程杂志》上

他们的方法解决了两个关键问题：确定可行的实验条件和预测给定合成参数集的潜在粒子特性。训练后的模型可以预测一组实验条件下的潜在颗粒尺寸和相，确定有前景和可行的合成参数进行探索

这种创新方法代表了金属氧化物颗粒合成的范式转变，有可能显著节省在特别迭代合成方法上花费的时间和精力。通过对ML模型进行仔细的实验表征训练，该方法在基于合成反应参数预测氧化铁结果方面表现出显著的准确性。搜索和排序算法产生了合理的反应条件，以便从输入数据集中进行探索。它还揭示了之前被忽视的合成过程中施加的压力对所得相和颗粒尺寸的重要性