详细内容或原文请订阅后点击阅览
机器学习解锁了光驱动的有机晶体中的卓越性能
研究人员开发了一种机器学习工作流程，以优化光导入的有机晶体的输出力。使用LASSO回归来识别关键分子亚结构和贝叶斯优化以进行有效抽样，它们的最大阻塞力量为37.0 MN，效率是常规方法的效率73倍。
来源:英国物理学家网首页研究人员开发了一种机器学习工作流程，以优化光导入的有机晶体的输出力。使用LASSO回归来识别关键分子亚结构和贝叶斯优化以进行有效抽样，它们的最大阻塞力量为37.0 MN，效率是常规方法的效率73倍。
这些发现发表在数字发现上，可以帮助开发用于医疗设备和机器人技术的遥控执行器，从而支持诸如微创手术和精确药物的应用。
发现将外部刺激转换为机械运动的材料，称为执行器，在机器人，医疗设备和其他高级应用中起着至关重要的作用。其中，光机械晶体响应光线而变形，使它们有望轻巧且可远程控制的致动。它们的性能取决于分子结构，晶体特性和实验条件等因素。
外部刺激这些材料的关键性能指标是阻塞力 - 变形完全限制时施加的最大力。但是，由于晶体特征和测试条件的复杂相互作用，实现高阻滞力仍然具有挑战性。理解和优化这些因素对于扩大光机械晶体的潜在应用至关重要。
机器学习“我们注意到机器学习简化了寻找最佳分子和实验参数的搜索，” Taniguchi博士说。 “这激发了我们将数据科学技术与合成化学的整合，使我们能够迅速确定新的分子设计和实验方法，以实现高性能结果。”
力量