Un nuovo studio ha utilizzato il machine learning per simulare e analizzare lo stato di nanoparticelle d’oro, di grande importanza per molte tecnologie, ad alte temperature. Le particelle d’oro hanno proprietà uniche che le rendono importanti nei processi catalitici, in biomedicina e in ottica. Queste proprietà cambiano radicalmente se le nanoparticelle, e la loro superficie, si trova in uno stato liquido o solido. Un approccio che descrive il meccanismo di fusione di piccole particelle d’oro, della dimensione di pochi nanometri, e uno strumento per predire quantitativamente la loro temperatura di fusione, potrebbe pertanto avere un ruolo chiave per la loro applicazione in tecnologie di frontiera. Purtroppo, però, vista la complessità degli effetti di superficie presenti alla nanoscala, i modelli termodinamici classici non possono essere applicati in questi sistemi. Uno studio internazionale guidato dalla SISSA, in collaborazione con l’École Polytechnique Fédérale de Lausanne, il King’s College London, Swansea University e l’Aristotle University of Thessaloniki ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli agli autori della Purtroppo, però, vista la complessità degli effetti di superficie presenti alla nanoscala, i modelli termodinamici classici non possono essere applicati in questi sistemi. Uno studio internazionale guidato dalla SISSA, in collaborazione con l’École Polytechnique Fédérale de Lausanne, il King’s College London, Swansea University e l’Aristotle University of Thessaloniki ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli agli autori della Purtroppo, però, vista la complessità degli effetti di superficie presenti alla nanoscala, i modelli termodinamici classici non possono essere applicati in questi sistemi. Uno studio internazionale guidato dalla SISSA, in collaborazione con l’École Polytechnique Fédérale de Lausanne, il King’s College London, Swansea University e l’Aristotle University of Thessaloniki ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli agli autori della i modelli termodinamici classici non possono essere applicati in questi sistemi. Uno studio internazionale guidato dalla SISSA, in collaborazione con l’École Polytechnique Fédérale de Lausanne, il King’s College London, Swansea University e l’Aristotle University of Thessaloniki ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli agli autori della i modelli termodinamici classici non possono essere applicati in questi sistemi. Uno studio internazionale guidato dalla SISSA, in collaborazione con l’École Polytechnique Fédérale de Lausanne, il King’s College London, Swansea University e l’Aristotle University of Thessaloniki ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli agli autori della Aristotle University ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli sugli autori della Aristotle University ha utilizzato il machine learning per cogliere la sfida di predire e caratterizzare i cambiamenti di piccole nanoparticelle d’oro al variare della temperatura. L’uso del machine learning per prevedere le forze che sugli atomi nelle nanoparticelle – spiega SISSA – ha permesso agli sugli autori della ricerca di condurre facilmente lunghe simulazioni con una precisione quantomeccanica. L’articolo è stato appena pubblicato su Nature Communications. “Le simulazioni, che potrebbero richiedere migliaia di anni di calcolo se fatti con i tradizionali metodi di densità funzionale, possono essere condotti in pochi giorni usando i potenziali generati tramite machine learning” racconta Claudio Zeni, primo autore della ricerca. Per poi analizzare tali simulazioni, sono state applicate altre tecniche data-driven. Continua il ricercatore: “L’utilizzo di metodi di apprendimento non supervisionato assieme ad algoritmi per descrivere l’ambiente che circonda un atomo, ci ha permesso di identificare automaticamente ogni atomo e definire se si trovava in uno stato liquido o solido, e se presente sulla superficie, sul bordo o all’interno della nanoparticella. Questo ha di molto accelerato il processo di analisi e fornito una cornice obiettiva per discriminare quando il riarrangiamento superficiale, un fenomeno che gioca un ruolo importante nella funzionalità delle piccole nanoparticelle, ha luogo. seguito di un ulteriore miglioramento e una standardizzazione dell’approccio già previsto dagli autori della ricerca, – concludere SISSA – le tecniche sviluppate e impiegate nell’articolo potranno trovare applicazione in un vasto raggio di importanti sistemi tecnologici.
