在纳米尺度上导航预测:在磁性纳米粒子合成中的回归模型的全面研究
Lukas Glänzer1, Lennart Göpfert1, Thomas Schmitz-Rode1
1Institute of Applied Medical Engineering, Helmholtz Institute, Medical Faculty, RWTH Aachen University, Germany. slabu@me.rwth-aachen.de.
Journal of materials chemistry. B
|November 6, 2024
概括
机器学习在合成过程中准确预测磁纳米粒子 (MNP) 大小. 支持向量回归 (SVR) 为MNP自动化生产提供了最佳性能.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术纳米技术
- 化学工程是化学工程的重要组成部分.
背景情况:
- 磁纳米粒子 (MNP) 的适用性严重依赖于精确的尺寸控制.
- 合成特定大小的MNP是复杂的,因为有许多相互依存的合成参数.
- 传统的"白盒"合成控制方法不足以管理这些复杂的相互作用.
研究的目的:
- 开发和评估机器学习 (ML) 方法来预测合成期间的MNP大小.
- 确定最有效的回归算法来控制MNP合成参数.
- 建立一个自动化和自我调节的MNP合成框架.
主要方法:
- 分析包含17个合成参数和相应的MNP大小的数据集.
- 评估了八种回归算法:,拉索,弹性网,决策树,随机森林,梯度增强,支向量回归 (SVR) 和多层感知.
- 使用根平均平方误差 (RMSE),平均绝对误差 (MAE),平均绝对百分比误差 (MAPE) 和剩余值的标准偏差进行性能评估.
主要成果:
- 支持向量回归 (SVR) 显示出最低的RMSE (3.44) 和剩余标准偏差 (5.13) 的优异性能.
- 与其他评估算法相比,SVR在预测准确性和一致性之间显示出强大的平衡.
- SVR对在线学习的适应性和对异常值的稳定性是其关键优势.
结论:
- 支持向量回归 (SVR) 是最适合的ML方法来预测MNP大小,从而实现实时应用.
- 该研究实施了一个可行的优化框架,用于自动化和自我调节的MNP合成.
- 通过规范化,相关性分析和网格搜索来解决有限的数据和超参数灵敏度等挑战.
