Guillaume Rolland
Le modèle d’apprentissage automatique fournit une méthode rapide pour déterminer la composition de mélanges chimiques solides en utilisant uniquement des photographies de l’échantillon.
Pour résoudre ce problème, des chercheurs de l’Institute of Chemical Reaction Design and Discovery (WPI-ICReDD) de l’Université d’Hokkaido, dirigés par le professeur Yasuhide Inokuma, ont développé un modèle d’apprentissage automatique capable de distinguer le rapport de composition de mélanges solides de composés chimiques en utilisant uniquement des photographies du des échantillons.
Le modèle a été conçu et développé en utilisant des mélanges de sucre et de sel comme cas de test. L’équipe a utilisé une combinaison de recadrage aléatoire, de retournement et de rotation des photographies originales afin de créer un in addition grand nombre de sous-photographs à des fins de development et de examination. Cela a permis de développer le modèle en utilisant seulement 300 visuals originales pour la development. Le modèle formé était environ deux fois additionally précis que l’œil nu, même du membre le additionally specialist de l’équipe.
“Je pense qu’il est fascinant qu’avec l’apprentissage automatique, nous ayons pu reproduire et même dépasser la précision des yeux de chimistes expérimentés”, a commenté Inokuma. “Cet outil devrait pouvoir aider les nouveaux chimistes à acquérir in addition rapidement un œil expérimenté.”
Après le succès du examination, les chercheurs ont appliqué ce modèle à l’évaluation de différents mélanges chimiques. Le modèle a réussi à distinguer différents polymorphes et énantiomères, qui sont tous deux des variations extrêmement similaires de la même molécule avec des différences subtiles dans la disposition atomique ou moléculaire. Distinguer ces différences subtiles est crucial dans l’industrie pharmaceutique et nécessite normalement un processus plus long.
Le modèle était même capable de gérer des mélanges in addition complexes, en évaluant avec précision le pourcentage d’une molécule cible dans un mélange à quatre composants. Le rendement de la réaction a également été analysé, déterminant la progression d’une réaction de décarboxylation thermique.
L’équipe a en outre démontré la polyvalence de son modèle, en montrant qu’elle pouvait analyser avec précision les visuals prises avec un téléphone cell, après une formation supplémentaire. Les chercheurs envisagent une grande variété d’applications, tant en laboratoire de recherche que dans l’industrie.
“Nous considérons que cela est applicable dans des cases où une évaluation constante et rapide est requise, comme la surveillance des réactions dans une usine chimique ou comme étape d’analyse dans un processus automatisé utilisant un robotic de synthèse”, a expliqué le professeur adjoint spécialement nommé Yuki Ide. “De plus, cela pourrait servir d’outil d’observation pour les personnes malvoyantes.”
