相关实验视频
Updated: Aug 12, 2026

Picometer-Precision Atomic Position Tracking through Electron Microscopy
Published on: July 3, 2021
利用机器学习进行纳米粒子的大小和形状分析:电子显微镜的捷径
Christina Glaubitz1, Amélie Bazzoni1, Liliane Ackermann-Hirschi1
1Adolphe Merkle Institute, University of Fribourg, Chemin des Verdiers 4, 1700 Fribourg, Switzerland.
机器学习模型可以使用动态光散射和UV-VIS光谱学来预测纳米粒子 (NP) 的大小和形状. 这种方法为电子显微镜提供了一种具有成本效益的替代方案,特别是在现场动态过程中.
科学领域:
- 纳米科学和纳米技术
- 材料科学是一种材料科学.
- 分析化学是一种分析化学.
背景情况:
- 纳米粒子 (NP) 的物理化学特性对它们的行为至关重要.
- 电子显微镜 (EM) 是NP表征的标准,但在成本,可访问性和动态过程分析方面存在局限性.
- 具有成本效益和动态的技术,如动态光散射 (DLS) 和紫外光光谱学提供了补充数据.
研究的目的:
- 开发和验证一种机器学习模型,用于导出与EM相当的NP大小和形状参数.
- 使用DLS和UV-vis光谱数据作为机器学习模型的输入.
- 在具有挑战性的场景中证明模型的实用性,例如现场合成监测.
主要方法:
- 在DLS和UV-VIS光谱数据上训练的机器学习模型的开发.
- 使用训练模型预测黄金NP大小和形状参数.
- 该模型用于现场追踪100纳米黄金NP合成的应用.
主要成果:
- 机器学习模型准确地预测了黄金NP的大小和形状参数.
- 该模型成功地得出了与EM获得的参数相似的参数.
- 该模型的实用性通过现场监测NP合成来证明.
结论:
- 机器学习可以有效地弥合成本效益高的光谱技术和详细的EM特征之间的差距.
- 这种方法提高了鉴定NP的可行性,特别是在动态和现场过程中.
- 开发的模型为纳米科学研究提供了有价值的工具,在NP分析中提供了可访问性和效率.
更多相关视频
09:19Nanoparticle Tracking Analysis for the Quantification and Size Determination of Extracellular Vesicles
Published on: March 28, 2021
08:52Improving Reproducibility to Meet Minimal Information for Studies of Extracellular Vesicles 2018 Guidelines in Nanoparticle Tracking Analysis
Published on: November 17, 2021
相关概念视频
Overview of Electron Microscopy
Scanning Electron Microscopy
Fundamental Principles
Accelerated...
Overview of Microscopy Techniques