وقتی شبیه سازی ها کوتاه می آیند، این طیف سنج خودش یاد می گیرد

ویرایش شده توسط گابی کلارک، بررسی توسط رابرت ایگان

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

یک طیف‌سنج NMR می‌تواند ساختار مولکولی را تا سطح اتمی نشان دهد، اما سیگنال‌های ضعیف چیزی را که می‌تواند ببیند محدود می‌کند. اکنون، محققان دانشگاه آرهوس از هوش مصنوعی استفاده کرده اند تا به طیف سنج اجازه دهند بهترین توالی پالس را مستقیما از نمونه یاد بگیرد.

تصور کنید سعی می کنید گروهی از بچه های قندی را در یک پارک تفریحی چوپان کنید. شما نمی توانید از قبل مشخص کنید که دقیقا کدام ترکیب کلمات، لحن صدا، زمان بندی و زبان بدن باعث می شود همه افراد در مسیر درست حرکت کنند. The children react differently, they influence one another, and the larger the group, the harder it becomes to predict what will work.

در برخی موارد، بهترین استراتژی این است که به سادگی چیزی را امتحان کنید، ببینید چه اتفاقی می افتد و تنظیم کنید.

این تقریبا همان استراتژی است که محققان آرهوس برای یک مشکل بسیار متفاوت اعمال کرده اند: کنترل سیستم های بزرگ هسته های اتمی و الکترون ها.

اسپین یک ویژگی کوانتومی است که باعث می‌شود هسته‌های اتم و الکترون‌ها تا حدودی مانند آهنرباهای کوچک رفتار کنند. این پایه فیزیکی تشدید مغناطیسی هسته ای، NMR و اسکنرهای MRI است.

مشکل این است که فقط مقدار بسیار کمی از چرخش های هسته ای به یک جهت اشاره می کند تا جهت دیگر، که یک سیگنال کلی ضعیف تولید می کند.

پروفسور نیلز کر می‌گوید: «NMR همان عیبی را دارد که اسکنرهای MRI دارند: نسبتا غیر حساس است. نیلسن از دانشگاه آرهوس

الکترون ها می توانند کمک کنند زیرا گشتاور مغناطیسی آنها حدود 660 برابر بزرگتر از یک پروتون است. بنابراین چرخش آنها می تواند در یک میدان مغناطیسی بسیار قوی تر شود.

با استفاده از پالس های مایکروویو که به دقت طراحی شده اند، محققان می توانند بخشی از این نظم را از الکترون ها به هسته اتم منتقل کنند.

این تکنیک به عنوان قطبش هسته ای پویا یا DNP شناخته می شود.

DNP به خوبی تثبیت شده است، اما استفاده کارآمد از آن چندان ساده نیست.

سیستمی از الکترون‌ها و هسته‌ها می‌تواند شامل صدها یا هزاران اسپین باشد که همگی با یکدیگر تعامل دارند. این امر محاسبه توالی ایده آل پالس های مایکروویو را از قبل دشوار می کند. علاوه بر این، یک مدل کامپیوتری ممکن است هر نقصی را در ابزار واقعی ثبت نکند.

پس چرا زمانی که واقعیت در آزمایشگاه نشسته است، یک مدل کامل از واقعیت بسازیم؟

محققان یک طیف‌سنج DNP خانگی را به یک الگوریتم یادگیری ماشینی مبتنی بر بهینه‌سازی بیزی متصل کردند. سیستم یک توالی پالس را مستقیما روی نمونه آزمایش می کند، نتیجه را اندازه گیری می کند، از آن یاد می گیرد و آزمایش بعدی را پیشنهاد می کند.

دکتر Ph.D. می گوید: «آنچه جدید است این است که ما به طیف سنج اجازه می دهیم خودش یاد بگیرد که چگونه بهترین آزمایش ها را انجام دهد. دانشجوی فیلیپ وی. جنسن، اولین نویسنده این مطالعه، که در Science Advances منتشر شده است.

محققان این روش را روی دو سیستم اسپین مختلف آزمایش کردند. In one, the algorithm found solutions comparable with some of the best existing approaches. در سیستم پیچیده تر، توالی پالس یافت شده توسط الگوریتم حدود 70 درصد افزایش سیگنال بیشتری نسبت به روش مرجع مورد استفاده محققان ایجاد می کند.

هر بهینه سازی از کمتر از دو روز تا تقریبا پنج روز طول کشید. اما هنگامی که یک توالی موثر پیدا شد، می توان از آن دوباره استفاده کرد. و حساسیت بیشتر به این معنی است که برای به دست آوردن یک سیگنال مفید به تکرارهای کمتری نیاز است و زمان کل اندازه گیری را کاهش می دهد.

این مطالعه اثبات مفهوم با استفاده از سیستم های مدل است. این یک تحقیق بنیادی است، اما نیلسن چشم انداز وسیع تری را می بیند.

همین رویکرد می‌تواند به ابزاری برای توسعه حسگرهای کوانتومی مبتنی بر تشدید مغناطیسی بهتر تبدیل شود، جایی که سیستم‌های چرخشی بزرگ و پیچیده باید بدون شبیه‌سازی با تمام جزئیات کنترل شوند.

در بلندمدت، او به کاربردهای احتمالی در آزمایشگاه‌های پیشرفته، نظارت بر فرآیندهای صنعتی، اندازه‌گیری‌های محیطی و آنالیز مواد غذایی اشاره می‌کند.

Other analytical methods may be more sensitive if the only aim is to detect whether a tiny amount of a substance is present.

NMR چیز متفاوتی ارائه می دهد: اطلاعات دقیق در مورد چگونگی ساختار مولکول ها و مواد.

نیلسن آن را این گونه بیان می کند: "اگر سر من را در یک حسگر نوری قرار دهید، احتمالا بیشتر متوجه خواهید شد که من موهای زیادی ندارم. اما در یک اسکنر MRI، شما این شانس را دارید که آنچه داخل آن است را ببینید."

فیلیپ وی. جنسن و همکاران، مهندسی چرخش مبتنی بر یادگیری درجا برای قطبش هسته‌ای پویا پالسی، پیشرفت‌های علمی (2026). DOI: 10.1126/sciadv.aeh4467

کارشناسی ارشد زبان انگلیسی، ویرایشگر کپی از سال 2021 با تجربه در آموزش عالی و محتوای بهداشتی. تقدیم به اخبار معتبر علمی. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →