banner

Blog

Jul 10, 2023

L'analisi delle immagini tramite machine learning determina rapidamente la composizione della miscela chimica

Ti è mai capitato di rovinare accidentalmente una ricetta in cucina aggiungendo sale al posto dello zucchero? A causa del loro aspetto simile, è facile commettere un errore. Allo stesso modo, il controllo a occhio nudo viene utilizzato anche nei laboratori di chimica per fornire valutazioni iniziali rapide delle reazioni; tuttavia, proprio come in cucina, l’occhio umano ha i suoi limiti e può essere inaffidabile.

Per affrontare questo problema, i ricercatori dell’Institute of Chemical Reaction Design and Discovery (WPI-ICReDD), Università di Hokkaido, guidati dal professor Yasuhide Inokumahanno sviluppato un modello di machine learningin grado di distinguere il rapporto di composizione di miscele solide di composti chimici utilizzando solo le fotografie dei campioni.

Il modello è stato progettato e sviluppato utilizzando miscele di zucchero e sale come banco di prova. Il team ha utilizzato una combinazione di ritaglio, capovolgimento e rotazione casuale delle fotografie originali per creare un numero maggiore di immagini secondarie per l'addestramento e il test. Ciò ha consentito di sviluppare il modello utilizzando solo 300 immagini originali per l'addestramento. Il modello addestrato era circa il doppio più accurato di quello osservato ad occhio nudo, anche dal membro più esperto del team.

"Penso che sia affascinante il fatto che con l'apprendimento automatico siamo stati in grado di riprodurre e persino superare la precisione degli occhi di chimici esperti", ha commentato Inokuma. “Questo strumento dovrebbe essere in grado di aiutare i nuovi chimici ad acquisire più rapidamente un occhio esperto”.

Dopo il successo del caso di prova, i ricercatori hanno applicato questo modello alla valutazione di diverse miscele chimiche. Il modello ha distinto con successo diversi polimorfi ed enantiomeri, entrambi versioni estremamente simili della stessa molecola con sottili differenze nella disposizione atomica o molecolare. Distinguere queste sottili differenze è importante nell’industria farmaceutica e normalmente richiede un processo più dispendioso in termini di tempo.

Il modello è stato anche in grado di gestire miscele più complesse, valutando accuratamente la percentuale di una molecola target in una miscela a quattro componenti. È stata inoltre analizzata la resa della reazione, determinando l'andamento di una reazione di decarbossilazione termica.

Il team ha inoltre dimostrato la versatilità del proprio modello, dimostrando che poteva analizzare accuratamente le immagini scattate con un telefono cellulare, dopo aver eseguito una formazione supplementare. I ricercatori prevedono un’ampia varietà di applicazioni, sia nei laboratori di ricerca che nell’industria.

"Riteniamo che ciò sia applicabile in situazioni in cui è richiesta una valutazione costante e rapida, come il monitoraggio delle reazioni in un impianto chimico o come fase di analisi in un processo automatizzato utilizzando un robot di sintesi", ha spiegato il professore assistente appositamente nominato Yuki Ide. “Inoltre, questo potrebbe fungere da strumento di osservazione per coloro che hanno problemi di vista”.

- Il presente comunicato stampa è stato originariamente pubblicato sul sito web dell'Università di Hokkaido

hanno sviluppato un modello di machine learning
CONDIVIDERE