برای جلوگیری از کارهای تکراری و هدر رفت وقت و انرژی، محققان مدل یادگیری ماشینی را برای سنتز نانوذرات اکسیدآهن به کار گرفتند. این مدل هوش مصنوعی با بررسی شرایط مختلف احتمالی، بهترین مسیر برای سنتز را پیشنهاد داده و ویژگی محصول تولید شده را نیز پیش‌بینی می‌کند. به گزارش ایسنا، برای جلوگیری از کارهای تکراری و هدر رفت وقت و انرژی، محققان مدل یادگیری ماشینی را برای سنتز نانوذرات اکسیدآهن به کار گرفتند. این مدل هوش مصنوعی با بررسی شرایط مختلف احتمالی، بهترین مسیر برای سنتز را پیشنهاد داده و ویژگی محصول تولید شده را نیز پیش‌بینی می‌کند. به‌طور معمول، محققانی که در تلاش برای ترکیب هدفمند ذرات خاص از مواد هستند، باید به روش‌های شهودی یا آزمایش و خطا اعتماد کنند. این رویکرد می‌تواند ناکارآمد باشد و نیاز به سرمایه‌گذاری در زمان و منابع قابل توجه دارد. برای غلبه بر ابهامات این رویکرد، محققان PNNL از قدرت علوم داده و روش‌ یادگیری ماشینی برای کمک به ساده‌سازی سنتز ذرات اکسیدآهن استفاده کردند. نتایج این مطالعه در مجله Chemical Engineering Journal منتشر شده است. رویکرد آن‌ها به دو موضوع مهم پرداخته است؛ شناسایی شرایط آزمایشی امکان‌پذیر و پیش‌بینی ویژگی‌های ذرات احتمالی که برای مجموعه‌ای از پارامترها قابل تولید است. مدل آموزش ‌دیده می‌تواند اندازه و فاز ذرات احتمالی را برای مجموعه‌ای از شرایط آزمایشی پیش‌بینی کند و پارامترهای سنتز امیدوارکننده و امکان‌پذیر را برای کشف مشخص کند. این رویکرد نوآورانه نشان‌دهنده یک پارادایم جدید برای سنتز ذرات اکسیدفلزی است، همچنین این روش به‌طور قابل توجهی زمان و تلاش صرف‌شده در رویکردهای سنتز فعلی را اقتصادی کرده و از تکرارهای بیهوده جلوگیری می‌کند. با آموزش مدل یادگیری ماشینی، این مدل توانست بر روی فرآیندهای سنتز مسلط شود و در نهایت، این رویکرد دقت قابل توجهی در پیش‌بینی نتایج اکسیدآهن براساس پارامترهای واکنش سنتز نشان داد. الگوریتم جست‌وجو و رتبه‌بندی شرایط واکنش قابل قبول بود، به‌طوری که براساس مجموعه داده‌های ورودی این الگوریتم خروجی‌های مناسبی را ارائه کرد. این مدل همچنین نشان داد عوامل مهمی که پیش‌از این نادیده گرفته می‌شد، مانند فشار اعمال‌ شده در طول سنتز تأثیر قابل توجهی در واکنش دارند.