Bu tədqiqat, nanohissəcik sintezinde reaktivlərin hangi ardıcıllıqyla ekleneceği ilə reaktiv həcmləri gibi müddətkli reaksiya şərtlərını eyni optimallaşdırma müddətci üçünde ele alan NanoChef adlı süni intellekt çərçivəsini araşdırır. NanoChef; reaktiv ardıcıllıqsını mövqe kodlaması, reaktivlərin kimyəvi kimliğini MatBERT embeddingləri və müddətkli təcrübə şərtlərını sayısal değişkenler aracılığıyla temsil ederek bunları hafif bir sinir şəbəkəsi tabanlı surroqat modele aktarmaktadır. Sistem; virtual optimallaşdırma səthlerinde, robotik gümüş nanohissəcik sintezinde və ek bir qızıl nanorod təcrübəinde sınanmıştır. Sanal təcrübələrin çoğunda qlobal optimum 40 dövrden əvvəl bulunmuş; iki reaktivli gümüş nanohissəcik təcrübəinde reduktorin son eklendiği ardıcıllıq, UV-Vis spektrundaki yarı maksimumdaki tam genişliği 214 nm’den 146 nm’ye düşürmüştür. Bununla belə tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir; nəticələr şəbəkəırlıklı kimi tek bir avtonom laboratoriya düzenine və məhdud sayıdaki nanohissəcik sistemine dayanmaktadır.

NanoChef’in əsas yeniliği, sintez ardıcıllığını əvvəlden sabitlenmiş bir laboratoriya prosedürü kimi değil, optimallaşdırma strukturlabilən kimyəvi bir tasarım değişkeni kimi ele almasıdır. Dört reaktivli sistemde hidrogen peroksid, gümüş nitrat, natrium borohidrid və sitrat üçün 24 fərqli əlavə etmə ardıcıllığı bulunmaktadır. Altı müddətkli değişkenin her birinin 30 ayrı düzeye bölünmesiyle teorik aday uzayı təxminən 17,5 milyar reçeteye ulaşmıştır. NanoChef bu uzayı tek tek denemek yerine model tahminleri və qeyri-müəyyənlik bilgisiyle yönlendirilən təxminən 58 təcrübə dövri üçünde araştırmıştır.

Gümüş nanohissəcik təcrübələrinde reduktorin son eklendiği yaklaşım, hedeflenen 513 nm maksimum udulma dalğa uzunluğuna ulaşmada ən aşşəbəkəı itki dəyərini vermiştir. Üç reaktivli sistemde oksidləşdiricinin son eklendiği yaklaşım isə orta FWHM baxınmından daha dar və daha tekdüze spektrlar üretmiştir. Bu iki tapıntı birbirinden ayrılmalıdır: reduktor-son stratejisi hedefe özgü en iyi reçeteleri məlumatrken oksidləşdirici-son stratejisi təcrübələr genelindeki orta tekdüzelik açistilikndan avantaj göstərmişdir.

Türkiyə baxımından: Yaklaşım; Türkiyədə nanomaterial, kataliz, enerji materiallari, sensör, kaplama və iləri istehsal araşdırmaları yürüten üniversite laboratoriyaları ilə araşdırma merkezlerinde, təcrübə maya dəyəriini azaltmaya yönelik bir avtonom laboratoriya modeli kimi dəyərlendiriləbilir. Uygulama üçün yerli laboratoriya donanımıyla həcm aktarım doğruluğunun yeniden ölçülmesi, fərqli cihazlardan gelen UV-Vis məlumatlarinin kalibre edilmesi, modelin Türkiyədə istifadə edilən reaktiv və ekipmanlarla yeniden eğitilmesi, təhlükəsizlik protokollerinin doğrulanması və bşəbəkəımsız laboratoriyalarda tekrarlanabilirlik tədqiqatları strukturlması lazımdır. Tədqiqatdan Türkiyədəki laboratoriyaların maya dəyəriləri, altstruktur yetərliliği, sənaye ölçeğindeki istehsal başaristilik və ya mevzuata uygunluk hakkında birbaşa nəticə çıkarılamaz.

Araşdırmanın əsas sualsu nedir?

Araşdırmanın əsas sualsu, bir avtonom laboratoriyaın reaktiv miqdarları gibi müddətkli değişkenlerle reaktiv əlavə etmə ardıcıllığı gibi kategorik və ardıcıllıqlı değişkenleri eyni anda optimallaşdırmaq edip edemeyeceğidir. Mevcut avtonom təcrübə sistemlerinin çoğu derişim, həcm, temperatur və ya enjeksion sürəti gibi sayısal değişkenlere odaklanmaktadır. Reaktiflerin eklenme ardıcıllıqsı isə genellikle literatüre və ya araşdırmacının ön bilgisine görə sabitlenmektedir.

Bu sabitleme nanohissəcik sintezi açistilikndan mühüm bir kistilikttır. Aynı reaktivlər eyni miqdarlarda kullanılsa bilə metal öncülünün, reduktorin, oksidləşdiricinin və ya səthi aktiv maddənin fərqli ardıcıllıqda eklenmesi; nüvələnmə anını, yan reaksiyaları, büyüme sürətinı və hissəcik morfologiyasini değiştirebilir. Bu nedenle sintez ardıcıllığını sabit tutarak yalnızca həcmleri optimallaşdırmaq etmek, daha iyi nəticə verebiləcek alışılmadık sintez yollarının hiç denenmemesine neden olabilir.

Sıra bilgisi süni intellektya nasıl aktarılmıştır?

NanoChef, her sintez adımını iki ayrı bilgi qatıyla temsil etmektedir. Birinci qat, reaktivin dizideki konumunu gösteren mövqe kodlamasıdır. İkinci qat, reaktivin kimyəvi kimliğini və bşəbəkəlamsal rolünü temsil eden MatBERT embeddingsidir. MatBERT, material bilimi mətnleri üzərində əvvəlden eğitilmiş bir dil modelidir. Gümüş nitrat, hidrogen peroksid və ya natrium borohidrid gibi reaktiv adları əvvəl 768 boyutlu embeddinglere dönüştürülmüş, ardından dört boyuta izdüşürülmüştür.

Konum vektörü ilə kimyəvi kimlik vektörü birləşdirmə yerine toplanmıştır. Böylece her sintez adımı, hem “hangi reaktiv?” hem də “kaçıncı ardıcıllıqda?” suallarını taşıyan dört boyutlu bir vektörle temsil edilmiştir. Reaktif həcmleri gibi müddətkli şərtlər da normalize edilərek bu vektörlere eklenmiştir. Tədqiqatın Şekil 1’i, ardıcıllıq vektörleri, MatBERT reaktiv embeddingləri, şərt vektörleri, sinir şəbəkəsi, qeyri-müəyyənlik dşəbəkəılımı və robotik laboratoriya arasındaki bu qapalı dövrəyü göstərir.

Yazarlar, klasik tek-sıcak kodlamanın ardıcıllıq sayistilik arttıkça səmərəsizleştiğini belirtmektedir. Örneğin yedi reaktivin bütün ardıcıllıqlarını ayrı kategorilər kimi kodlamak 7! = 5.040 olasılık üretmektedir. Konumsal kodlamada isə vektör boyutu, olası ardıcıllıqların faktöriyel artışından bşəbəkəımsız kimi sabit tutulabilmektedir.

Konumsal kodlama tənlikleri

Çift və tek vektör komponentləri üçün istifadə edilən mövqe kodlaması tənlikleri şöyledir:

\[ \mathrm{PE}(pos,2i)=\sin\left(\frac{pos}{n^{2i/d_{\mathrm{model}}}}\right) \]

\[ \mathrm{PE}(pos,2i+1)=\cos\left(\frac{pos}{n^{2i/d_{\mathrm{model}}}}\right) \]

Burada pos, reaktivin sintez ardıcıllığındaki konumunu; i, vektör komponentinin indeksini; d_model, embedding boyutunu; n isə tezlik miqyasleme katsayistiliknı ifade etmektedir. Tədqiqatda d_model = 4 və n = 100 istifadə edilmişdir. Bu değişkenler fiziksel birim taşımaz. Sinüs və kosinüs fonksionları, birinci, ikinci, üçüncü və sonraxın konumlara birbirinden ayırt ediləbilir sayısal imzalar vermektedir.

Yazarlar iki və ya üçölçülü kodlamada, reaktiv sayistilik arttığında bazı konum vektörlerinin birbirine fazala yaklaştığını; dört boyutun isə konumları ayırmakla hesablama maya dəyəriini məhdud tutmak arasında uygun bir denge sşəbəkəladığını bildirmektedir.

Vekil model və qeyri-müəyyənlik nasıl tədqiqatktadır?

NanoChef’in çekirdeğinde 4.000’den az eğitiləbilir parametreye sahip bir sinir şəbəkəsi bulunmaktadır. Model, bir sintez reçetesinin hedef nanohissəciktan ne kadar saptığını gösteren beklenen itki dəyərini, yani μ dəyərini tahmin etmektedir. Belirsizlik σ isə birbaşa ikinci bir şəbəkə çıkışı və ya böyük bir model topluluğu istifadə edilərək değil, Gamma dşəbəkəılımından nümunəlenen bir dəqiqlik terimi üzərindən oluşturulmaktadır.

Tədqiqatda model çıktistilik təxminən kimi şu dşəbəkəılımla ifade edilmektedir:

\[ y_n \sim N(\mu_n,\tau_n) \]

Burada μ_n tahmin edilən ortayı, τ_n isə Gamma dşəbəkəılımından nümunəlenen dəqiqlik terimini göstərir. Gamma dşəbəkəılımının parametreleri:

\[ \alpha=\frac{12}{\sqrt{n}},\qquad \beta=1 \]

şeklinde məlumatlmiştir. n, biriken gözlem sayistilikdır. Ana mətn, məlumat biriktikçe qeyri-müəyyənlik dşəbəkəılımının daraldığını belirtmektedir; lakin Gamma dşəbəkəılımının miqyas mi yoksa sürət parametresiyle mi kullanıldığı və τ’nun normal dşəbəkəılımda varyans mı yoksa dəqiqlik mi olduğu tam matematiksel ayrıntistilikyla açıklanmamıştır. Bu nedenle belirsizliğin mutlak kalibrasiyau yalnızca ana mətnden yeniden üretiləmez.

Bir sonraxın təcrübə nasıl seçilmektedir?

Edinim fonksionu kimi, kaybın en aza indirildiği probleme uyarlanmış yuxarı inam sərhədi ilişkisi istifadə edilmişdir:

\[ \mathrm{UCB}=\mu-\kappa\sigma \]

μ düşük olduğunda reçetenin hedefe yaxınn olması beklenmektedir. σ yüksek olduğunda isə reçete daha belirsiz, buna görə keşif açistilikndan daha bilgiləndirici olabilir. κ katsayistilik keşif ilə mevcut iyi bölgelerden yararlanma arasındaki dengeyi müəyyən etməktedir. Tədqiqatın ana təcrübələrinde κ = 0,05 istifadə edilmişdir.

Her dövrde NanoChef bir grup sintez reçetesi önermekte, robotik sistem bu reçeteleri tətbiqkta, yaranan nanohissəciklərı UV-Vis spektroskopiyasiyle ölçmekte və hesaplanan itki dəyərlərini yeniden modele aktarmaktadır. Böylece təcrübə, karakterizasyon, məlumat analizi və yeni təcrübə seçimi kapalı bir döngü yaratmaqtadır.

Robotik laboratoriya düzeni

Tədqiqatçılar, güclü asitler, bazlar və polimer çözeltiləriyle uzun müddət tədqiqatya daha uygun bir mikropipet tabanlı partiya sintezi modulü geliştirmiştir. Robotik uç birimi fərqli çözeltiləri aktarabilmekte, değişken həcmler dşəbəkəıtabilmekte və taze reduktor çözeltisi hazırlayabilmektedir. Kaydırmalı kenetlenme və çözelti enjeksion müddətci 11 işlem adımından oluşmaktadır.

Sıvı aktarım sistemi üçün bildirilən sistematik xəta en fazala %2, rastgele xəta isə en fazala %0,8’dir. Aynı gümüş nanohissəcik reçetesiyle strukturlan 10 tekrar təcrübəinde maksimum udulma dalğa uzunluğu 502 ± 9 nm kimi ölçülmüşdür. Bu nəticə, bütün sintez zincirinin belirli bir reçeteyi makul tekrarlanabilirlikle uygulayabildiğini göstərir; lakin fərqli laboratoriyalar və ya fərqli robotik donanımlar arasında tekrarlanabilirlik sınanmamıştır.

Sanal təcrübələr neyi göstərir?

Gerçek kimyəvi təcrübələrin çox sayıda algoritmayla tekrar edilmesi yüksek zaman və reaktiv maya dəyərii doğurduğu üçün NanoChef əvvəl Olympus çərçivəsindeki matematiksel optimallaşdırma səthlerinde dəyərləndirilmişdir. A→B və B→A sintez ardıcıllıqları, birbirinden fərqli virtual səthlerle temsil edilmiştir. İki səth arasındaki benzerlik Spearman ardıcıllıq korelasyon katsayistilikyla ölçülmüşdür:

\[ \rho=1-\frac{6\sum d_i^2}{n(n^2-1)} \]

Burada d_i, eşleşen iki noktanın ardıcıllıqları arasındaki farkı; n, qarşılaştırılan nokta sayistiliknı göstərir. Katsayı 1’e yaklaştığında iki sintez ardıcıllığının nəticə səthleri birbirine benzemekte, katsayı düştüğünde sintez ardıcıllığının nəticə üzərində daha güclü etkisi olduğu kabul edilmektedir.

Şekil 2’də, ardıcıllıq etkisi güçlendikçe seçilən noktaların daha geniş bir alana yayıldığı görülmektedir. Etkisiz durumda arama qlobal optimum çevresinde sıkı biçimde toplanırken güclü etki durumunda Killimanjaro səthindeki lokal optimumlar daha fazala keşif gerektirmiştir. Buna rşəbəkəmen NanoChef bütün bu nümunəlerde Dejong səthindeki qlobal optimumu bulmuştur.

Normalize edilmiş itki

Farklı matematiksel səthlerde hesaplanan itkiları qarşılaştırabilmek üçün istifadə edilən normalize edilmiş itki tənliki şöyledir:

\[ L_{\mathrm{norm}}=\frac{\left(\frac{f(i)_{\mathrm{surface}}}{A_{\mathrm{scaling}}}+B_{\mathrm{max,loss}}-C_{\mathrm{global,loss}}\right)}{D_{\mathrm{total,minmax}}} \]

f(i)_surface, qarşılaştırılan səthlerin fonksion dəyərləri toplamını; A_scaling, miqyasleme katsayistiliknı; B_max,loss, maksimum kaybı; C_global,loss, küresel minimum kaybı; D_total,minmax isə toplam minimum-maksimum aralığını göstərir. Normalizasyon sonrasında nəticə birimsizdir. Bu parametrelerin sayısal dəyərləri ek cədvəlda məlumatldiği üçün yüklenen ana mətn üzərindən bütünüyle yeniden hesaplanamamaktadır.

Alternatif optimallaşdırma üsulleriyle müqayisə

Şekil 3’te NanoChef; Gauss prosesi tabanlı Bayes optimallaşdırması, kovariasiya matrisi uyarlamalı təkamül strategiyası və Latin hiperkub nümunəleme üsulleriyle qarşılaştırılmıştır. Altı virtual səthden yaranan çox modlu test uzayında bütün üsuller eyni 20 başlanğıc noktasıyla başlatılmış və beş ayrı rastgele tohumla tekrarlanmıştır.

NanoChef orta kaybı ilk dövrde təxminən 0,20’den 0,16’ya düşürmüş və 28. dövrde 0 kayba ulaşmıştır. Bu aşamada beş tekrar arasındaki standart sapma da 0 kimi bildirilmişdir. Bunun əksinə 100 dövr sonunda Gauss prosesi tabanlı üsul təxminən 0,21, CMA-ES təxminən 0,16 və Latin hiperkub nümunəleme təxminən 0,14 itkita qalmışdır.

Bu nəticə, NanoChef’in tədqiqatda istifadə edilən sentetik səthlerde lokal optimumlardan kaçabildiğini göstərir. Lakin müqayisə gerçek kimyəvi təcrübələr üzərində strukturlmamış və kategorik değişkenler əsas üsuller üçün müddətkli bir uzaya çevrilmişdir. Buna görə bu qrafik NanoChef’in her optimallaşdırma probleminde bütün üsullerden üstün olduğunu sübut etmir.

İki reaktivli gümüş nanohissəcik təcrübəi

İlk gerçek kimyəvi müqayisəda gümüş nitrat və natrium borohidridin eklenme ardıcıllıqsı değiştirilmiştir. Metal öncülü-son üsulunde NaBH₄ əvvəl, AgNO₃ sonra eklenmiştir. İndirgen-son üsulunde isə AgNO₃ əvvəl, NaBH₄ sonra eklenmiştir. Hedef, maksimum udulma dalğa uzunluğu 513 nm olan və dar bir UV-Vis piki gösteren gümüş nanohissəciklar üretmektir.

Şekil 4’te reduktor-son üsulu daha düşük kayba ulaşmıştır. Metal öncülü-son reçetenin UV-Vis spektrunda FWHM 214 nm və birden fazala pik görülürken reduktor-son reçetede FWHM 146 nm’ye düşmüşdür. Doğrudan bu iki sayı üzərindən hesaplanan azalma təxminən %31,8’dir. Ana mətn bunu %32 iyiləşme kimi bildirmektedir.

TEM görüntülərinde metal öncülü-son örneğinde hissəcik boyutu və biçimi daha heterojen, reduktor-son örneğinde isə daha düzenli görünmektedir. Bununla belə ana mətnde TEM görüntülərine ait hissəcik sayistilik, nicel boyut dşəbəkəılımı və ya istatistiksel müqayisə məlumatlmemiştir. Bu nedenle monodisperslik dəyərləndirməsinin əsas nicel göstəricisi UV-Vis pik genişliğidir; TEM görüntüləri destekleyici görsel kanıt niteliğindedir.

Yazarların önerdiği mekanizmaya görə AgNO₃, limon turşusu və PVP reduktor eklenmeden əvvəl homojen biçimde karıştığında, NaBH₄ ilavesi sürətli və uzamsal kimi daha eşit nüvələnmə yarada bilər. Ters ardıcıllıqda isə artık H₂O₂ ilə NaBH₄ arasındaki yan reaksiyaler etkin reduksiya gücünü azaltabilir. Bu mekanizma tədqiqatda birbaşa reaksiya kinetikası və ya ara tür ölçmələriyle sınanmamış, eksperimental eğilimleri açıklayan bir hipotez kimi sunulmuştur.

Gümüş nanohissəcik itki funksiyası

Optimizasyon, maksimum udulma dalğa uzunluğu ilə pik genişliğini birlikte dəyərlendiren şəbəkəırlıklı bir itki funksiyasına dayanmaktadır:

\[ L=0{,}7\left(\frac{\lambda_{\max}-\lambda_{\max,\mathrm{hedef}}}{A_{\lambda_{\max}}}\right)+0{,}3\left(\frac{\mathrm{FWHM}}{A_{\mathrm{FWHM}}}\right) \]

λ_max, sintezlenen nanoparçacığın maksimum udulma dalğa uzunluğunu; λ_max,hedef, hedef dalğa uzunluğunu; FWHM, UV-Vis pikinin yarı maksimumdaki tam genişliğini göstərir. Bu böyüklüklerin birimi nanometredir. A_λmax və A_FWHM də nanometre cinsinden normalizasyon katsayılarıdır; bölme işleminden sonra iki terim də birimsiz hâle gelmektedir.

513 nm hedefi üçün A_λmax = 850 - 513 = 337 nm, FWHM normalizasyonu üçün A_FWHM = 550 nm istifadə edilmişdir. λ_max terimine 0,7, FWHM terimine 0,3 şəbəkəırlık məlumatlmesi, hedef dalğa uzunluğuna ulaşmanın pik daralmasından daha yüksek əvvəllik taşıdığı anlamına gelmektedir.

Denklemin basılı biçiminde λ_max ilə hedef arasındaki fark mutlak dəyər və ya karesi alınmadan yazılmıştır. Bu durumda hedefin altında kalan dalga boyları negatif töhfə yarada bilər. Ana mətn bu işaret durumunun tətbiqda nasıl ele alındığını açıklamamaktadır. Buna görə itki funksiyasınun kod üçündeki tam tətbiqsı, yalnızca basılı tənlik üzərindən kesin biçimde doğrulanamamaktadır.

Üç reaktivli sistemde hangi ardıcıllıq daha iyi nəticə vermiştir?

Üç reaktivli təcrübəde AgNO₃, H₂O₂ və NaBH₄ üçün altı olası ardıcıllıq dəyərləndirilmişdir. Sıralar, son eklenen reaktive görə üç sinifa ayrılmışdır: metal öncülü-son, reduktor-son və oksidləşdirici-son. NanoChef təxminən 35 dövr üçünde düşük itkilı reçetelere yaxınnsamıştır və surroqat model üçün R² = 0,997 bildirilmişdir.

Oksitleyici-son üsulu orta 194 nm FWHM ilə üç sinif arasındaki en dar orta piki üretmiştir. Tədqiqat bu yaklaşımı, kendi eksperimental kapsamı üçünde daha əvvəl dəyərlendirilmemiş yeni bir sintez stratejisi kimi təqdim edir. Yazarlar, H₂O₂’nin gecikmeli eklenmesinin başlanğıc nüvəleri oluştuktan sonra büyüme dinamiklerini düzenleyebiləceğini öne sürmektedir; lakin bu mekanizma birbaşa ölçülmemiştir.

Dört reaktivli sistem və 17,5 milyar aday reçete

Dört reaktivli sistemde H₂O₂, AgNO₃, NaBH₄ və sitrat üçün 4! = 24 fərqli əlavə etmə ardıcıllığı bulunmaktadır. Altı müddətkli təcrübə değişkeninin her biri 30 ayrı dəyəre bölündüğünde teorik tasarım uzayı:

\[ 24\times30^6=17.496.000.000 \]

olası reçeteye ulaşmaktadır. Bu sayı, fiziksel kimi gerçekleştirilən təcrübə sayistilik değildir; algoritmanın seçim yapabiləceği ayrık aday uzayın böyüklüğüdür.

Şekil 6’da NanoChef 58 dövr boyunca fərqli ardıcıllıqları araştırmıştır. Başlangıçta metal öncülü-son və oksidləşdirici-son gibi daha istikrarlı yerli bölgelere yoğunlaşmış, bu bölgelerdeki iyiləşme yavaşladığında reduktor-son ardıcıllıqlara yönelmiştir. Özellikle sitrat → H₂O₂ → AgNO₃ → NaBH₄ və H₂O₂ → sitrat → AgNO₃ → NaBH₄ ardıcıllıqları daha sonraxın dövrlərde daha sık seçilmiştir.

İndirgen-son sinifı təxminən 0,05 ilə ən aşşəbəkəı minimum kayba ulaşmış, lakin təxminən 0,14 ilə ən yüksək itki varyansını göstərmişdir. Bu durum, reduktor-son uzayın daha yüksek potensial taşıdığını lakin reaktiv həcmlərine daha duyarlı və daha engebeli olduğunu düşündürmektedir. Metal öncülü-son, oksidləşdirici-son və səthi aktiv maddə-son siniflərında minimum itkilar təxminən 0,08-0,10 aralığında, varyanslar isə təxminən 0,10-0,11 aralığında qalmışdır.

Altın nanorod təcrübəi ne göstərir?

Çerçevenin yalnızca gümüş nanohissəciklara özgü olup olmadığını incelemek amacıyla ek bir qızıl nanorod təcrübəi strukturlmıştır. Hedef uzunlamasına səth plazmon rezonansı dalğa uzunluğu 700 nm kimi belirlenmiş; xlorid turşusu ilə askorbik asidin eklenme ardıcıllıqsı və həcmleri optimallaşdırmaq edilmiştir. NanoChef, 60 təcrübə üçünde hedefe yaxınn uzunlamasına udulma pikleri üreten şərtlər müəyyən etmişdir.

Bu təcrübə, çərçivənin ikinci və morfologiyaye duyarlı bir nanohissəcik sisteminde çalışabildiğine dair destek sşəbəkəlamaktadır. Bununla belə tek bir ek kimyəvi sistem, üsulun bütün nanohissəcik ailəlerine, katalizörlere, kuantum noktalarına və ya sənaye sintezlere genellenebildiğini sübut etmir.

Şekillerin əsas mesajları

• Şekil 1: Süni intellekt önerisi, robotik sintez, UV-Vis karakterizasyonu və model güncellemesinden yaranan kapalı təcrübə döngüsünü göstərir.
• Şekil 2: Sentez ardıcıllıqsının etkisi güçlendikçe optimallaşdırma səthinin karmaşıklaştığını və seçilən noktaların daha geniş alana dşəbəkəıldığını göstərir.
• Şekil 3: NanoChef’in tədqiqatda istifadə edilən çox modlu virtual test səthinde müqayisə üsullerinden daha sürətli qlobal optimuma ulaştığını göstərir.
• Şekil 4: İndirgen-son gümüş nanohissəcik sintezinin metal öncülü-son sinteze görə daha dar UV-Vis piki və daha düzenli TEM morfologiyasi verdiğini göstərir.
• Şekil 5: Üç reaktivli sistemde hedefe özgü başarı ilə orta monodispersliknin eyni ardıcıllıq sinifında zorunlu kimi birleşmediğini göstərir.
• Şekil 6: NanoChef’in 24 ardıcıllıq və altı müddətkli şərt içeren böyük aday uzayında əvvəl daha istikrarlı yerli bölgeleri kullandığını, ardından daha riskli lakin daha düşük itki sşəbəkəlayan reduktor-son bölgelere geçtiğini göstərir.

Tədqiqatın güclü yönleri

• Sıralı kategorik değişkenlerle müddətkli təcrübə şərtlərını eyni modelde birləşdirməktedir.
• Sanal testlerle məhdud kalmayıp robotik kimyəvi təcrübələrle doğrulama yapmaktadır.
• 4.000’den az parametreli hafif bir model kullanarak məhdud hesablama altstrukturuna uygun bir yaklaşım təklif edir.
• Farklı karmaşıklık düzeylerinde iki, üç və dört reaktivli sistemleri müqayisəktadır.
• UV-Vis ölçmələrini TEM görüntüləriyle desteklemektedir.
• Gümüş nanohissəciklərın yanında qızıl nanorod sintezinde də ek doğrulama təqdim edir.
• Qaynaq kod nümunələrini və tədqiqat ortamını açık bir GitHub deposunda paylaşmaktadır.

Tədqiqatın məhdudlıkları və mətn üçündeki qeyri-müəyyənlikler

• Tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir.
• Ek şəkiller, cədvəllar və videolar yüklenen ana mətnde bulunmadığı üçün birçox ayrıntı bşəbəkəımsız kimi kontrol ediləmemektedir.
• Özette FWHM azalması %36, iki reaktivli nəticə bölümünde %32, tartışmada isə “%30’a kadar” kimi məlumatlmektedir. Doğrudan 214 nm’den 146 nm’ye geçiş təxminən %31,8 azalmaya qarşılık gelmektedir.
• Üç reaktivli oksidləşdirici-son sinifının FWHM standart sapması Şekil 5 üzərində 103 nm, açıklama metninde 101 nm kimi görünmektedir.
• Basılı itki funksiyasında hedef dalğa uzunluğundan sapmanın mutlak dəyəri bulunmamaktadır; tətbiqdaki işaret işlemi açıklanmamıştır.
• Üç və dört reaktivli təcrübələrin hiperparametre bölümünde altı hacmin optimallaşdırmaq edildiği belirtilirken təcrübə prosedürünün bazı cümlelerinde su, PVP və sitrat həcmleri sabit məlumatlmiştir. Hangi dövrlərde hangi değişkenlerin gerçekten serbest bıraxınldığı ana mətnden bütünüyle açık değildir.
• R² = 0,997 dəyəri bildirilmesine rşəbəkəmen ana mətnde bşəbəkəımsız dış test dəstinin nasıl oluşturulduğu ayrıntılı biçimde açıklanmamaktadır.
• Belirsizlik nümunəleme yaklaşımının kalibrasiyau və Gamma dşəbəkəılımı parametrelerinin tam tətbiq biçimi məhdud açıklanmıştır.
• Ana təcrübələr tek bir robotik laboratoriya və şəbəkəırlıklı kimi gümüş nanohissəcik sistemi üzərində strukturlmıştır.
• Çok merkezli laboratoriya tekrarı, sənaye miqyas büyütme, uzunmüddətli donanım sabitlığı və ekonomik maya dəyəri analizi strukturlmamıştır.

Tədqiqat neyi desteklemektedir?

Tədqiqat, reaktiv əlavə etmə ardıcıllığının nanohissəcik sintezinde optimallaşdırmaq ediləbilir və kimyəvi açıdan anlamlı bir değişken olduğunu desteklemektedir. NanoChef’in, tədqiqatda istifadə edilən virtual səthler ilə gümüş və altın nanohissəcik təcrübələrinde ardıcıllıq və həcm değişkenlerini birlikte araştırabildiği göstərilmişdir. İndirgen-son yaklaşımının hedefe özgü gümüş nanohissəcik sintezinde güclü nəticə verdiği, oksidləşdirici-son yaklaşımının isə orta pik genişliğini azaltabildiği gözlenmiştir.

Tədqiqat neyi sübut etmir?

Tədqiqat, reduktorin her nanohissəcik sintezinde mutlaka son eklenmesi gerektiğini sübut etmir. Oksitleyici-son yaklaşımının bütün materiallarde daha tekdüze hissəcik üreteceği sonucuna da varılamaz. Sunulan mekanizmalar birbaşa kinetik və ya molekulyar ölçmələrle təsdiqlənməmişdir. Həmçinin 17,5 milyar aday uzayın tamamı fiziksel kimi taranmamış, bu uzay süni intellekt tarafından məhdud sayıda təcrübəle araştırılmıştır. Sonuçlar sənaye istehsal başaristilik, kommersiya maya dəyəri üstünlüğü, klinik kullanım, təhlükəsizlik garantisi və ya bütün laboratoriyalarda eyni performans anlamına gelmemektedir.

Tədqiqatın Yöntemi və Bulguları

NanoChef modelinin teknik ayarları

Sanal təcrübə ayarları

Kimyasal təcrübələrde istifadə edilən arama uzayları

Gümüş nanohissəcik sintez şərtlərı

• AgNO₃: 1,25 mM stok məhlulu
• Sitrat: 20 mM stok məhlulu
• H₂O₂: şəbəkəırlıkça %0,75 stok məhlulu
• NaBH₄: 20 mM stok məhlulu
• Değişken həcmler: 100-3.000 µL
• Hacim adımı: donanım xətasını azaltmak üçün 50 µL
• İlk qarışdırma: 5 dəqiqə
• Son qarışdırma: otaq temperaturunda 600 rpm ilə 40 dəqiqə
• Basınç inamliği: hidrogen əmələ gəlməsi nedeniyle şişeler kapatılmamıştır

İki reaktivli nümunə prosedürde 2.400 µL deionlaşdırılmış su, 1.000 µL PVP55, 2.000 µL sitrat və 1.200 µL H₂O₂ kullanılmış; AgNO₃ ilə NaBH₄ ardıcıllıqsı və həcmleri NanoChef önerisine görə değiştirilmiştir.

UV-Vis karakterizasyonu

Her sintezden sonra robotik kol temiz bir küvet yerleştirmiş, küvete 2 mL deionlaşdırılmış su ilə 0,8 mL kolloidal nanohissəcik çözeltisi aktarmış və üç qarışdırma dövri uygulamıştır. Spektral pikler SciPy kütüphanesindeki find_peaks, peak_prominences və peak_widths işlevleriyle analiz edilmiştir.

Ana mətnde pik aydınliği üçün 0,01, minimum FWHM üçün 20 nm və λmax üçün 310 nm ilə ilişkili bir hədd məlumatlmektedir. Lakin cümlenin bşəbəkəlaç strukturu, bu şərtlərın birlikte mi yoksa alternatif kimi mı uygulandığını tam kimi açıklamamaktadır.

Altın nanorod sintez şərtlərı

• HAuCl₄: 5 mM
• AgNO₃: 1 mM
• Askorbik asit: 10 mM
• HCl: 0,5 M
• NaBH₄: 1 mM
• CTAB və natrium oleat: 200 mM
• NaBH₄ hacmi: bütün təcrübələrde 100 µL və son eklenen reduktor
• Karıştırma: 1 dəqiqə
• Yaşlandırma: 30 °C’də 1 saat
• Hedef uzunlamasına LSPR λmax: 700 nm

Ana tapıntıların toplu özeti

Mənbə və Metod Qeydi

Tədqiqatın tam özgün adı:NanoChef: AI Framework for Simultaneous Optimization of Synthesis Sequences and Reaction Conditions at Autonomous Laboratories

Yazarlar və ardıcıllıqları: Hyuk Jun Yoo; Daeho Kim; Sehyuk Yim; Heeseung Lee; Nayeon Kim; Sang Kyu Kwak; Sang Soo Han.

Eşit töhfəlı müəlliflər: Hyuk Jun Yoo və Daeho Kim.

Sorumlu müəlliflər: Sang Kyu Kwak və Sang Soo Han.

Kurumsal keçidlar:

1. Computational Science Research Center, Korea Institute of Science and Technology, Seul, Kore Cumhuriyeti.
2. Department of Chemical and Biological Engineering, Korea University, Seul, Kore Cumhuriyeti.
3. Center for Artificial Intelligence Research, Korea Institute of Science and Technology, Seul, Kore Cumhuriyeti.
4. Department of Material Science and Engineering, Korea University, Seul, Kore Cumhuriyeti.
5. Department of Chemistry, Korea University, Seul, Kore Cumhuriyeti.

Yazar-qurum eşleşmesi: Hyuk Jun Yoo (1); Daeho Kim (1, 2); Sehyuk Yim (3); Heeseung Lee (1, 4); Nayeon Kim (1, 5); Sang Kyu Kwak (2); Sang Soo Han (1).

Qaynaq türü: Sanal model doğrulaması ilə robotik kimyəvi təcrübələri birleştiren eksperimental preprint araşdırma makalesi.

Hakemlik durumu: Bu tədqiqat bir preprinttir və rəyçi qiymətləndirməsindən keçməmişdir.

Yüklenen sürümün platformau: SSRN.

Yüklenen SSRN sürümünün DOI’si:10.2139/ssrn.7197180

Resmî SSRN keçidsı:SSRN kayıt sayfası

Önceki ChemRxiv sürümü: Tədqiqatın daha eski və daha kısa müəllif listesine sahip preprint sürümü ChemRxiv üzərində bulunmaktadır.

Önceki ChemRxiv DOI’si:10.26434/chemrxiv-2025-96bmc

Dergi: Hakemli bir jurnalde yayımlandığı doğrulanamamıştır.

Özgün jurnal nəşriyyat: Yüklenen sürüm üçün doğrulanmış bir hakemli jurnal nəşriyyat bulunmamaktadır. Ana mətndeki Wiley Online Library ifadesi tek başına jurnal kabulü və ya yayımlanma kanıtı değildir.

Yayın yılı: Yüklenen güncel SSRN sürümü 2026 tarihlidir; əvvəlki ChemRxiv sürümü 2025 tarihlidir.

Kod və məlumat əlçatanlığı: Tədqiqatda Python 3.8 ilə hazırlanmış kod nümunələrinin KIST-CSRC/NanoChef GitHub deposunda bulunduğu belirtilmektedir.

Finansman: Tədqiqat, Kore Ulusal Araşdırma Vakfı tarafından RS-2022-NR068356 və RS-2024-00450102 numaralı projelerle desteklenmiştir.

Çıkar çatışması: Yazarlar rekabet eden finansal çıkar bildirmemiştir.

Bu Türkçe açıklama, yüklenen tədqiqatın ana metni, tənlikleri, şəkilleri, spektrları, TEM görüntüləri, təcrübə prosedürleri və bildirilən sayısal nəticələri əsas alınarak hazırlanmışdır. Tədqiqatda bulunmayan bilimsel nəticələr eklenmemiştir. Dış mənbəlar yalnızca DOI, sürüm, platforma və nəşr durumu gibi bibliyoqrafik bilgilərin doğrulanması üçün istifadə edilmişdir.

Ana məhdudlıklar; tədqiqatın hakem dəyərləndirməsinden geçmemiş olması, ek bilgi dosyalarının yüklenen mətnde bulunmaması, bazı yüzdeler və standart sapma dəyərləri arasındaki mətn-şəkil uyumsuzlukları, itki funksiyasınun işaret tətbiqsındaki qeyri-müəyyənlik, tek laboratoriya doğrulaması və sənaye miqyaslı təcrübələrin bulunmamasıdır. Sonuçlar bu sınırlar üçünde dəyərlendirilmelidir.