优化和多机器学习算法来预测金和银纳米粒子的纳米金属表面积转移参数
Steven M E Demers1, Christopher Sobecki1, Larry Deschaine1
1Savannah River National Laboratory, Aiken, SC 29808, USA.
Nanomaterials (Basel, Switzerland)
|November 8, 2024
概括
纳米金属表面能量转移 (NSET) 模型适应了各种金属纳米粒子,显示出比弗斯特共振能量转移更好的预测. 机器学习进一步提高了纳米传感器开发的NSET方程精度.
科学领域:
- 纳米技术纳米技术
- 材料科学 材料科学 材料科学
- 物理化学 物理化学
背景情况:
- 纳米金属表面能量转移 (NSET) 机制解释了金属纳米粒子和分子染料之间的相互作用.
- 将NSET模型扩展到多种金属组成是开发新型纳米传感器的关键.
研究的目的:
- 修改和测试NSET公式的金,银,铜和纳米颗粒的不同大小.
- 为了研究NSET的预测能力与不同金属的弗斯特共振能量转移 (FRET) 相比.
主要方法:
- 修改了NSET公式,调整了取决于尺寸的湿和皮肤深度术语.
- 用金,银,铜和纳米粒子测试了模型.
- 采用详尽的网格搜索和人工智能/机器学习算法 (多层感知,最小绝对收缩和选择操作员回归) 进行模型优化.
主要成果:
- 修改后的NSET模型与金属纳米颗粒的实验数据比FRET更接近.
- 对于直径约为20纳米的纳米粒子,观察到散射效应.
- 人工智能/ML算法实现了大于0.97的相关系数 (R2),表明模型性能强大.
结论:
- 经过调整的NSET模型为理解各种金属纳米粒子的能量转移提供了一个可行的框架.
- 对基于物理的机器学习进行进一步的研究是有必要的,以改进NSET方程.
- 这项工作支持各种应用的先进纳米传感器的开发.
