Diseño inverso de heteroestructuras complejas de nanopartículas mediante aprendizaje profundo en grafos heterogéneos
2024-12-26
Investigadores utilizaron el aprendizaje profundo y las redes neuronales gráficas heterogéneas para diseñar inversamente nanopartículas de conversión ascendente (UCNPs) con aplicaciones en biosensores, microscopía de superresolución e impresión 3D. Se generó un conjunto de datos a gran escala de más de 6000 espectros de emisión UCNP y se utilizó para entrenar un modelo GNN. La optimización basada en gradiente identificó estructuras con una emisión predicha 6,5 veces mayor que cualquier UCNP en el conjunto de entrenamiento bajo iluminación de 800 nm. Este trabajo revela nuevos principios de diseño para UCNPs y proporciona una hoja de ruta para el diseño inverso basado en DL de nanomateriales.