Conception inverse d'hétérostructures complexes de nanoparticules via l'apprentissage profond sur des graphes hétérogènes
Des chercheurs ont utilisé l'apprentissage profond et les réseaux neuronaux graphiques hétérogènes pour concevoir de manière inverse des nanoparticules de conversion ascendante (UCNP) avec des applications en biosensori, microscopie à super-résolution et impression 3D. Un vaste ensemble de données de plus de 6 000 spectres d'émission UCNP a été généré et utilisé pour entraîner un modèle GNN. L'optimisation basée sur le gradient a permis d'identifier des structures avec une émission prédite 6,5 fois supérieure à celle de toute UCNP de l'ensemble d'entraînement sous illumination de 800 nm. Ce travail révèle de nouveaux principes de conception pour les UCNP et fournit une feuille de route pour la conception inverse basée sur l'apprentissage profond des nanomatériaux.