Projeto Inverso de Heteroestruturas Complexas de Nanopartículas via Aprendizado Profundo em Grafos Heterogêneos
2024-12-26
Pesquisadores usaram aprendizado profundo e redes neurais gráficas heterogêneas para projetar inversamente nanopartículas de conversão ascendente (UCNPs) com aplicações em biossensores, microscopia de super-resolução e impressão 3D. Um grande conjunto de dados de mais de 6.000 espectros de emissão UCNP foi gerado e usado para treinar um modelo GNN. A otimização baseada em gradiente identificou estruturas com uma emissão prevista 6,5 vezes maior do que qualquer UCNP no conjunto de treinamento sob iluminação de 800 nm. Este trabalho revela novos princípios de design para UCNPs e fornece uma estrutura para o projeto inverso baseado em DL de nanomateriais.