Bu çalışma, nanoparçacık sentezinde reaktiflerin hangi sırayla ekleneceği ile reaktif hacimleri gibi sürekli tepkime koşullarını aynı optimizasyon süreci içinde ele alan NanoChef adlı yapay zekâ çerçevesini incelemektedir. NanoChef; reaktif sırasını konumsal kodlama, reaktiflerin kimyasal kimliğini MatBERT gömmeleri ve sürekli deney koşullarını sayısal değişkenler aracılığıyla temsil ederek bunları hafif bir sinir ağı tabanlı vekil modele aktarmaktadır. Sistem; sanal optimizasyon yüzeylerinde, robotik gümüş nanoparçacık sentezinde ve ek bir altın nanorod deneyinde sınanmıştır. Sanal deneylerin çoğunda küresel optimum 40 çevrimden önce bulunmuş; iki reaktifli gümüş nanoparçacık deneyinde indirgenin son eklendiği sıra, UV-Vis spektrumundaki yarı maksimumdaki tam genişliği 214 nm’den 146 nm’ye düşürmüştür. Bununla birlikte çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçlar ağırlıklı olarak tek bir otonom laboratuvar düzenine ve sınırlı sayıdaki nanoparçacık sistemine dayanmaktadır.

NanoChef’in temel yeniliği, sentez sırasını önceden sabitlenmiş bir laboratuvar prosedürü olarak değil, optimizasyon yapılabilen kimyasal bir tasarım değişkeni olarak ele almasıdır. Dört reaktifli sistemde hidrojen peroksit, gümüş nitrat, sodyum borohidrit ve sitrat için 24 farklı ekleme sırası bulunmaktadır. Altı sürekli değişkenin her birinin 30 ayrı düzeye bölünmesiyle teorik aday uzayı yaklaşık 17,5 milyar reçeteye ulaşmıştır. NanoChef bu uzayı tek tek denemek yerine model tahminleri ve belirsizlik bilgisiyle yönlendirilen yaklaşık 58 deney çevrimi içinde araştırmıştır.

Gümüş nanoparçacık deneylerinde indirgenin son eklendiği yaklaşım, hedeflenen 513 nm maksimum soğurma dalga boyuna ulaşmada en düşük kayıp değerini vermiştir. Üç reaktifli sistemde oksitleyicinin son eklendiği yaklaşım ise ortalama FWHM bakımından daha dar ve daha tekdüze spektrumlar üretmiştir. Bu iki bulgu birbirinden ayrılmalıdır: indirgen-son stratejisi hedefe özgü en iyi reçeteleri verirken oksitleyici-son stratejisi deneyler genelindeki ortalama tekdüzelik açısından avantaj göstermiştir.

Türkiye açısından: Yaklaşım; Türkiye’de nanomalzeme, kataliz, enerji malzemeleri, sensör, kaplama ve ileri üretim araştırmaları yürüten üniversite laboratuvarları ile araştırma merkezlerinde, deney maliyetini azaltmaya yönelik bir otonom laboratuvar modeli olarak değerlendirilebilir. Uygulama için yerli laboratuvar donanımıyla hacim aktarım doğruluğunun yeniden ölçülmesi, farklı cihazlardan gelen UV-Vis verilerinin kalibre edilmesi, modelin Türkiye’de kullanılan reaktif ve ekipmanlarla yeniden eğitilmesi, güvenlik protokollerinin doğrulanması ve bağımsız laboratuvarlarda tekrarlanabilirlik çalışmaları yapılması gerekir. Çalışmadan Türkiye’deki laboratuvarların maliyetleri, altyapı yeterliliği, sanayi ölçeğindeki üretim başarısı veya mevzuata uygunluk hakkında doğrudan sonuç çıkarılamaz.

Araştırmanın temel sorusu nedir?

Araştırmanın temel sorusu, bir otonom laboratuvarın reaktif miktarları gibi sürekli değişkenlerle reaktif ekleme sırası gibi kategorik ve sıralı değişkenleri aynı anda optimize edip edemeyeceğidir. Mevcut otonom deney sistemlerinin çoğu derişim, hacim, sıcaklık veya enjeksiyon hızı gibi sayısal değişkenlere odaklanmaktadır. Reaktiflerin eklenme sırası ise genellikle literatüre veya araştırmacının ön bilgisine göre sabitlenmektedir.

Bu sabitleme nanoparçacık sentezi açısından önemli bir kısıttır. Aynı reaktifler aynı miktarlarda kullanılsa bile metal öncülünün, indirgenin, oksitleyicinin veya yüzey aktif maddenin farklı sırada eklenmesi; çekirdeklenme anını, yan tepkimeleri, büyüme hızını ve parçacık morfolojisini değiştirebilir. Bu nedenle sentez sırasını sabit tutarak yalnızca hacimleri optimize etmek, daha iyi sonuç verebilecek alışılmadık sentez yollarının hiç denenmemesine neden olabilir.

Sıra bilgisi yapay zekâya nasıl aktarılmıştır?

NanoChef, her sentez adımını iki ayrı bilgi katmanıyla temsil etmektedir. Birinci katman, reaktifin dizideki konumunu gösteren konumsal kodlamadır. İkinci katman, reaktifin kimyasal kimliğini ve bağlamsal rolünü temsil eden MatBERT gömmesidir. MatBERT, malzeme bilimi metinleri üzerinde önceden eğitilmiş bir dil modelidir. Gümüş nitrat, hidrojen peroksit veya sodyum borohidrit gibi reaktif adları önce 768 boyutlu gömmelere dönüştürülmüş, ardından dört boyuta izdüşürülmüştür.

Konum vektörü ile kimyasal kimlik vektörü birleştirme yerine toplanmıştır. Böylece her sentez adımı, hem “hangi reaktif?” hem de “kaçıncı sırada?” sorularını taşıyan dört boyutlu bir vektörle temsil edilmiştir. Reaktif hacimleri gibi sürekli koşullar da normalize edilerek bu vektörlere eklenmiştir. Çalışmanın Şekil 1’i, sıra vektörleri, MatBERT reaktif gömmeleri, koşul vektörleri, sinir ağı, belirsizlik dağılımı ve robotik laboratuvar arasındaki bu kapalı döngüyü göstermektedir.

Yazarlar, klasik tek-sıcak kodlamanın sıra sayısı arttıkça verimsizleştiğini belirtmektedir. Örneğin yedi reaktifin bütün sıralarını ayrı kategoriler olarak kodlamak 7! = 5.040 olasılık üretmektedir. Konumsal kodlamada ise vektör boyutu, olası sıraların faktöriyel artışından bağımsız olarak sabit tutulabilmektedir.

Konumsal kodlama denklemleri

Çift ve tek vektör bileşenleri için kullanılan konumsal kodlama denklemleri 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, reaktifin sentez sırasındaki konumunu; i, vektör bileşeninin indeksini; d_model, gömme boyutunu; n ise frekans ölçekleme katsayısını ifade etmektedir. Çalışmada d_model = 4 ve n = 100 kullanılmıştır. Bu değişkenler fiziksel birim taşımaz. Sinüs ve kosinüs fonksiyonları, birinci, ikinci, üçüncü ve sonraki konumlara birbirinden ayırt edilebilir sayısal imzalar vermektedir.

Yazarlar iki veya üç boyutlu kodlamada, reaktif sayısı arttığında bazı konum vektörlerinin birbirine fazla yaklaştığını; dört boyutun ise konumları ayırmakla hesaplama maliyetini sınırlı tutmak arasında uygun bir denge sağladığını bildirmektedir.

Vekil model ve belirsizlik nasıl çalışmaktadır?

NanoChef’in çekirdeğinde 4.000’den az eğitilebilir parametreye sahip bir sinir ağı bulunmaktadır. Model, bir sentez reçetesinin hedef nanoparçacıktan ne kadar saptığını gösteren beklenen kayıp değerini, yani μ değerini tahmin etmektedir. Belirsizlik σ ise doğrudan ikinci bir ağ çıkışı veya büyük bir model topluluğu kullanılarak değil, Gamma dağılımından örneklenen bir kesinlik terimi üzerinden oluşturulmaktadır.

Çalışmada model çıktısı yaklaşık olarak şu dağılımla ifade edilmektedir:

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

Burada μ_n tahmin edilen ortalamayı, τ_n ise Gamma dağılımından örneklenen kesinlik terimini göstermektedir. Gamma dağılımının parametreleri:

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

şeklinde verilmiştir. n, biriken gözlem sayısıdır. Ana metin, veri biriktikçe belirsizlik dağılımının daraldığını belirtmektedir; ancak Gamma dağılımının ölçek mi yoksa hız parametresiyle mi kullanıldığı ve τ’nun normal dağılımda varyans mı yoksa kesinlik mi olduğu tam matematiksel ayrıntısıyla açıklanmamıştır. Bu nedenle belirsizliğin mutlak kalibrasyonu yalnızca ana metinden yeniden üretilemez.

Bir sonraki deney nasıl seçilmektedir?

Edinim fonksiyonu olarak, kaybın en aza indirildiği probleme uyarlanmış üst güven sınırı ilişkisi kullanılmıştır:

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

μ düşük olduğunda reçetenin hedefe yakın olması beklenmektedir. σ yüksek olduğunda ise reçete daha belirsiz, dolayısıyla keşif açısından daha bilgilendirici olabilir. κ katsayısı keşif ile mevcut iyi bölgelerden yararlanma arasındaki dengeyi belirlemektedir. Çalışmanın ana deneylerinde κ = 0,05 kullanılmıştır.

Her çevrimde NanoChef bir grup sentez reçetesi önermekte, robotik sistem bu reçeteleri uygulamakta, oluşan nanoparçacıkları UV-Vis spektroskopisiyle ölçmekte ve hesaplanan kayıp değerlerini yeniden modele aktarmaktadır. Böylece deney, karakterizasyon, veri analizi ve yeni deney seçimi kapalı bir döngü oluşturmaktadır.

Robotik laboratuvar düzeni

Araştırmacılar, güçlü asitler, bazlar ve polimer çözeltileriyle uzun süre çalışmaya daha uygun bir mikropipet tabanlı parti sentez modülü geliştirmiştir. Robotik uç birimi farklı çözeltileri aktarabilmekte, değişken hacimler dağıtabilmekte ve taze indirgen çözeltisi hazırlayabilmektedir. Kaydırmalı kenetlenme ve çözelti enjeksiyon süreci 11 işlem adımından oluşmaktadır.

Sıvı aktarım sistemi için bildirilen sistematik hata en fazla %2, rastgele hata ise en fazla %0,8’dir. Aynı gümüş nanoparçacık reçetesiyle yapılan 10 tekrar deneyinde maksimum soğurma dalga boyu 502 ± 9 nm olarak ölçülmüştür. Bu sonuç, bütün sentez zincirinin belirli bir reçeteyi makul tekrarlanabilirlikle uygulayabildiğini göstermektedir; ancak farklı laboratuvarlar veya farklı robotik donanımlar arasında tekrarlanabilirlik sınanmamıştır.

Sanal deneyler neyi göstermektedir?

Gerçek kimyasal deneylerin çok sayıda algoritmayla tekrar edilmesi yüksek zaman ve reaktif maliyeti doğurduğu için NanoChef önce Olympus çerçevesindeki matematiksel optimizasyon yüzeylerinde değerlendirilmiştir. A→B ve B→A sentez sıraları, birbirinden farklı sanal yüzeylerle temsil edilmiştir. İki yüzey arasındaki benzerlik Spearman sıra korelasyon katsayısıyla ölçülmüştür:

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

Burada d_i, eşleşen iki noktanın sıraları arasındaki farkı; n, karşılaştırılan nokta sayısını göstermektedir. Katsayı 1’e yaklaştığında iki sentez sırasının sonuç yüzeyleri birbirine benzemekte, katsayı düştüğünde sentez sırasının sonuç üzerinde daha güçlü etkisi olduğu kabul edilmektedir.

Şekil 2’de, sıra etkisi güçlendikçe seçilen noktaların daha geniş bir alana yayıldığı görülmektedir. Etkisiz durumda arama küresel optimum çevresinde sıkı biçimde toplanırken güçlü etki durumunda Killimanjaro yüzeyindeki yerel optimumlar daha fazla keşif gerektirmiştir. Buna rağmen NanoChef bütün bu örneklerde Dejong yüzeyindeki küresel optimumu bulmuştur.

Normalize edilmiş kayıp

Farklı matematiksel yüzeylerde hesaplanan kayıpları karşılaştırabilmek için kullanılan normalize edilmiş kayıp denklemi 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, karşılaştırılan yüzeylerin fonksiyon değerleri toplamını; A_scaling, ölçekleme katsayısını; B_max,loss, maksimum kaybı; C_global,loss, küresel minimum kaybı; D_total,minmax ise toplam minimum-maksimum aralığını göstermektedir. Normalizasyon sonrasında sonuç birimsizdir. Bu parametrelerin sayısal değerleri ek tabloda verildiği için yüklenen ana metin üzerinden bütünüyle yeniden hesaplanamamaktadır.

Alternatif optimizasyon yöntemleriyle karşılaştırma

Şekil 3’te NanoChef; Gauss süreci tabanlı Bayesçi optimizasyon, kovaryans matrisi uyarlamalı evrim stratejisi ve Latin hiperküp örnekleme yöntemleriyle karşılaştırılmıştır. Altı sanal yüzeyden oluşan çok modlu test uzayında bütün yöntemler aynı 20 başlangıç noktasıyla başlatılmış ve beş ayrı rastgele tohumla tekrarlanmıştır.

NanoChef ortalama kaybı ilk çevrimde yaklaşık 0,20’den 0,16’ya düşürmüş ve 28. çevrimde 0 kayba ulaşmıştır. Bu aşamada beş tekrar arasındaki standart sapma da 0 olarak bildirilmiştir. Buna karşılık 100 çevrim sonunda Gauss süreci tabanlı yöntem yaklaşık 0,21, CMA-ES yaklaşık 0,16 ve Latin hiperküp örnekleme yaklaşık 0,14 kayıpta kalmıştır.

Bu sonuç, NanoChef’in çalışmada kullanılan sentetik yüzeylerde yerel optimumlardan kaçabildiğini göstermektedir. Ancak karşılaştırma gerçek kimyasal deneyler üzerinde yapılmamış ve kategorik değişkenler temel yöntemler için sürekli bir uzaya dönüştürülmüştür. Dolayısıyla bu grafik NanoChef’in her optimizasyon probleminde bütün yöntemlerden üstün olduğunu kanıtlamamaktadır.

İki reaktifli gümüş nanoparçacık deneyi

İlk gerçek kimyasal karşılaştırmada gümüş nitrat ve sodyum borohidritin eklenme sırası değiştirilmiştir. Metal öncülü-son yönteminde NaBH₄ önce, AgNO₃ sonra eklenmiştir. İndirgen-son yönteminde ise AgNO₃ önce, NaBH₄ sonra eklenmiştir. Hedef, maksimum soğurma dalga boyu 513 nm olan ve dar bir UV-Vis piki gösteren gümüş nanoparçacıklar üretmektir.

Şekil 4’te indirgen-son yöntemi daha düşük kayba ulaşmıştır. Metal öncülü-son reçetenin UV-Vis spektrumunda FWHM 214 nm ve birden fazla pik görülürken indirgen-son reçetede FWHM 146 nm’ye düşmüştür. Doğrudan bu iki sayı üzerinden hesaplanan azalma yaklaşık %31,8’dir. Ana metin bunu %32 iyileşme olarak bildirmektedir.

TEM görüntülerinde metal öncülü-son örneğinde parçacık boyutu ve biçimi daha heterojen, indirgen-son örneğinde ise daha düzenli görünmektedir. Bununla birlikte ana metinde TEM görüntülerine ait parçacık sayısı, nicel boyut dağılımı veya istatistiksel karşılaştırma verilmemiştir. Bu nedenle monodispersite değerlendirmesinin temel nicel göstergesi UV-Vis pik genişliğidir; TEM görüntüleri destekleyici görsel kanıt niteliğindedir.

Yazarların önerdiği mekanizmaya göre AgNO₃, sitrik asit ve PVP indirgen eklenmeden önce homojen biçimde karıştığında, NaBH₄ ilavesi hızlı ve uzamsal olarak daha eşit çekirdeklenme oluşturabilir. Ters sırada ise artık H₂O₂ ile NaBH₄ arasındaki yan tepkimeler etkin indirgeme gücünü azaltabilir. Bu mekanizma çalışmada doğrudan reaksiyon kinetiği veya ara tür ölçümleriyle sınanmamış, deneysel eğilimleri açıklayan bir hipotez olarak sunulmuştur.

Gümüş nanoparçacık kayıp fonksiyonu

Optimizasyon, maksimum soğurma dalga boyu ile pik genişliğini birlikte değerlendiren ağırlıklı bir kayıp fonksiyonuna 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, sentezlenen nanoparçacığın maksimum soğurma dalga boyunu; λ_max,hedef, hedef dalga boyunu; FWHM, UV-Vis pikinin yarı maksimumdaki tam genişliğini göstermektedir. Bu büyüklüklerin birimi nanometredir. A_λmax ve A_FWHM de nanometre cinsinden normalizasyon katsayılarıdır; bölme işleminden sonra iki terim de birimsiz hâle gelmektedir.

513 nm hedefi için A_λmax = 850 - 513 = 337 nm, FWHM normalizasyonu için A_FWHM = 550 nm kullanılmıştır. λ_max terimine 0,7, FWHM terimine 0,3 ağırlık verilmesi, hedef dalga boyuna ulaşmanın pik daralmasından daha yüksek öncelik taşıdığı anlamına gelmektedir.

Denklemin basılı biçiminde λ_max ile hedef arasındaki fark mutlak değer veya karesi alınmadan yazılmıştır. Bu durumda hedefin altında kalan dalga boyları negatif katkı oluşturabilir. Ana metin bu işaret durumunun uygulamada nasıl ele alındığını açıklamamaktadır. Dolayısıyla kayıp fonksiyonunun kod içindeki tam uygulaması, yalnızca basılı denklem üzerinden kesin biçimde doğrulanamamaktadır.

Üç reaktifli sistemde hangi sıra daha iyi sonuç vermiştir?

Üç reaktifli deneyde AgNO₃, H₂O₂ ve NaBH₄ için altı olası sıra değerlendirilmiştir. Sıralar, son eklenen reaktife göre üç sınıfa ayrılmıştır: metal öncülü-son, indirgen-son ve oksitleyici-son. NanoChef yaklaşık 35 çevrim içinde düşük kayıplı reçetelere yakınsamıştır ve vekil model için R² = 0,997 bildirilmiştir.

Oksitleyici-son yöntemi ortalama 194 nm FWHM ile üç sınıf arasındaki en dar ortalama piki üretmiştir. Çalışma bu yaklaşımı, kendi deneysel kapsamı içinde daha önce değerlendirilmemiş yeni bir sentez stratejisi olarak sunmaktadır. Yazarlar, H₂O₂’nin gecikmeli eklenmesinin başlangıç çekirdekleri oluştuktan sonra büyüme dinamiklerini düzenleyebileceğini öne sürmektedir; ancak bu mekanizma doğrudan ölçülmemiştir.

Dört reaktifli sistem ve 17,5 milyar aday reçete

Dört reaktifli sistemde H₂O₂, AgNO₃, NaBH₄ ve sitrat için 4! = 24 farklı ekleme sırası bulunmaktadır. Altı sürekli deney değişkeninin her biri 30 ayrı değere bölündüğünde teorik tasarım uzayı:

\[ 24\times30^6=17.496.000.000 \]

olası reçeteye ulaşmaktadır. Bu sayı, fiziksel olarak gerçekleştirilen deney sayısı değildir; algoritmanın seçim yapabileceği ayrık aday uzayın büyüklüğüdür.

Şekil 6’da NanoChef 58 çevrim boyunca farklı sıraları araştırmıştır. Başlangıçta metal öncülü-son ve oksitleyici-son gibi daha istikrarlı yerel bölgelere yoğunlaşmış, bu bölgelerdeki iyileşme yavaşladığında indirgen-son sıralara yönelmiştir. Özellikle sitrat → H₂O₂ → AgNO₃ → NaBH₄ ve H₂O₂ → sitrat → AgNO₃ → NaBH₄ sıraları daha sonraki çevrimlerde daha sık seçilmiştir.

İndirgen-son sınıfı yaklaşık 0,05 ile en düşük minimum kayba ulaşmış, fakat yaklaşık 0,14 ile en yüksek kayıp varyansını göstermiştir. Bu durum, indirgen-son uzayın daha yüksek potansiyel taşıdığını ancak reaktif hacimlerine daha duyarlı ve daha engebeli olduğunu düşündürmektedir. Metal öncülü-son, oksitleyici-son ve yüzey aktif madde-son sınıflarında minimum kayıplar yaklaşık 0,08-0,10 aralığında, varyanslar ise yaklaşık 0,10-0,11 aralığında kalmıştır.

Altın nanorod deneyi ne göstermektedir?

Çerçevenin yalnızca gümüş nanoparçacıklara özgü olup olmadığını incelemek amacıyla ek bir altın nanorod deneyi yapılmıştır. Hedef uzunlamasına yüzey plazmon rezonansı dalga boyu 700 nm olarak belirlenmiş; hidroklorik asit ile askorbik asidin eklenme sırası ve hacimleri optimize edilmiştir. NanoChef, 60 deney içinde hedefe yakın uzunlamasına soğurma pikleri üreten koşullar belirlemiştir.

Bu deney, çerçevenin ikinci ve morfolojiye duyarlı bir nanoparçacık sisteminde çalışabildiğine dair destek sağlamaktadır. Bununla birlikte tek bir ek kimyasal sistem, yöntemin bütün nanoparçacık ailelerine, katalizörlere, kuantum noktalarına veya endüstriyel sentezlere genellenebildiğini kanıtlamamaktadır.

Şekillerin temel mesajları

• Şekil 1: Yapay zekâ önerisi, robotik sentez, UV-Vis karakterizasyonu ve model güncellemesinden oluşan kapalı deney döngüsünü göstermektedir.
• Şekil 2: Sentez sırasının etkisi güçlendikçe optimizasyon yüzeyinin karmaşıklaştığını ve seçilen noktaların daha geniş alana dağıldığını göstermektedir.
• Şekil 3: NanoChef’in çalışmada kullanılan çok modlu sanal test yüzeyinde karşılaştırma yöntemlerinden daha hızlı küresel optimuma ulaştığını göstermektedir.
• Şekil 4: İndirgen-son gümüş nanoparçacık sentezinin metal öncülü-son senteze göre daha dar UV-Vis piki ve daha düzenli TEM morfolojisi verdiğini göstermektedir.
• Şekil 5: Üç reaktifli sistemde hedefe özgü başarı ile ortalama monodispersitenin aynı sıra sınıfında zorunlu olarak birleşmediğini göstermektedir.
• Şekil 6: NanoChef’in 24 sıra ve altı sürekli koşul içeren büyük aday uzayında önce daha istikrarlı yerel bölgeleri kullandığını, ardından daha riskli fakat daha düşük kayıp sağlayan indirgen-son bölgelere geçtiğini göstermektedir.

Çalışmanın güçlü yönleri

• Sıralı kategorik değişkenlerle sürekli deney koşullarını aynı modelde birleştirmektedir.
• Sanal testlerle sınırlı kalmayıp robotik kimyasal deneylerle doğrulama yapmaktadır.
• 4.000’den az parametreli hafif bir model kullanarak sınırlı hesaplama altyapısına uygun bir yaklaşım önermektedir.
• Farklı karmaşıklık düzeylerinde iki, üç ve dört reaktifli sistemleri karşılaştırmaktadır.
• UV-Vis ölçümlerini TEM görüntüleriyle desteklemektedir.
• Gümüş nanoparçacıkların yanında altın nanorod sentezinde de ek doğrulama sunmaktadır.
• Kaynak kod örneklerini ve çalışma ortamını açık bir GitHub deposunda paylaşmaktadır.

Çalışmanın sınırlılıkları ve metin içindeki belirsizlikler

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Ek şekiller, tablolar ve videolar yüklenen ana metinde bulunmadığı için birçok ayrıntı bağımsız olarak kontrol edilememektedir.
• Özette FWHM azalması %36, iki reaktifli sonuç bölümünde %32, tartışmada ise “%30’a kadar” olarak verilmektedir. Doğrudan 214 nm’den 146 nm’ye geçiş yaklaşık %31,8 azalmaya karşılık gelmektedir.
• Üç reaktifli oksitleyici-son sınıfının FWHM standart sapması Şekil 5 üzerinde 103 nm, açıklama metninde 101 nm olarak görünmektedir.
• Basılı kayıp fonksiyonunda hedef dalga boyundan sapmanın mutlak değeri bulunmamaktadır; uygulamadaki işaret işlemi açıklanmamıştır.
• Üç ve dört reaktifli deneylerin hiperparametre bölümünde altı hacmin optimize edildiği belirtilirken deney prosedürünün bazı cümlelerinde su, PVP ve sitrat hacimleri sabit verilmiştir. Hangi çevrimlerde hangi değişkenlerin gerçekten serbest bırakıldığı ana metinden bütünüyle açık değildir.
• R² = 0,997 değeri bildirilmesine rağmen ana metinde bağımsız dış test kümesinin nasıl oluşturulduğu ayrıntılı biçimde açıklanmamaktadır.
• Belirsizlik örnekleme yaklaşımının kalibrasyonu ve Gamma dağılımı parametrelerinin tam uygulama biçimi sınırlı açıklanmıştır.
• Ana deneyler tek bir robotik laboratuvar ve ağırlıklı olarak gümüş nanoparçacık sistemi üzerinde yapılmıştır.
• Çok merkezli laboratuvar tekrarı, endüstriyel ölçek büyütme, uzun dönem donanım kararlılığı ve ekonomik maliyet analizi yapılmamıştır.

Çalışma neyi desteklemektedir?

Çalışma, reaktif ekleme sırasının nanoparçacık sentezinde optimize edilebilir ve kimyasal açıdan anlamlı bir değişken olduğunu desteklemektedir. NanoChef’in, çalışmada kullanılan sanal yüzeyler ile gümüş ve altın nanoparçacık deneylerinde sıra ve hacim değişkenlerini birlikte araştırabildiği gösterilmiştir. İndirgen-son yaklaşımının hedefe özgü gümüş nanoparçacık sentezinde güçlü sonuç verdiği, oksitleyici-son yaklaşımının ise ortalama pik genişliğini azaltabildiği gözlenmiştir.

Çalışma neyi kanıtlamamaktadır?

Çalışma, indirgenin her nanoparçacık sentezinde mutlaka son eklenmesi gerektiğini kanıtlamamaktadır. Oksitleyici-son yaklaşımının bütün malzemelerde daha tekdüze parçacık üreteceği sonucuna da varılamaz. Sunulan mekanizmalar doğrudan kinetik veya moleküler ölçümlerle doğrulanmamıştır. Ayrıca 17,5 milyar aday uzayın tamamı fiziksel olarak taranmamış, bu uzay yapay zekâ tarafından sınırlı sayıda deneyle araştırılmıştır. Sonuçlar endüstriyel üretim başarısı, ticari maliyet üstünlüğü, klinik kullanım, güvenlik garantisi veya bütün laboratuvarlarda aynı performans anlamına gelmemektedir.

Çalışmanın Yöntemi ve Bulguları

NanoChef modelinin teknik ayarları

Sanal deney ayarları

Kimyasal deneylerde kullanılan arama uzayları

Gümüş nanoparçacık sentez koşulları

• AgNO₃: 1,25 mM stok çözeltisi
• Sitrat: 20 mM stok çözeltisi
• H₂O₂: ağırlıkça %0,75 stok çözeltisi
• NaBH₄: 20 mM stok çözeltisi
• Değişken hacimler: 100-3.000 µL
• Hacim adımı: donanım hatasını azaltmak için 50 µL
• İlk karıştırma: 5 dakika
• Son karıştırma: oda sıcaklığında 600 rpm ile 40 dakika
• Basınç güvenliği: hidrojen oluşumu nedeniyle şişeler kapatılmamıştır

İki reaktifli örnek prosedürde 2.400 µL deiyonize su, 1.000 µL PVP55, 2.000 µL sitrat ve 1.200 µL H₂O₂ kullanılmış; AgNO₃ ile NaBH₄ sırası ve hacimleri NanoChef önerisine göre değiştirilmiştir.

UV-Vis karakterizasyonu

Her sentezden sonra robotik kol temiz bir küvet yerleştirmiş, küvete 2 mL deiyonize su ile 0,8 mL kolloidal nanoparçacık çözeltisi aktarmış ve üç karıştırma çevrimi uygulamıştır. Spektral pikler SciPy kütüphanesindeki find_peaks, peak_prominences ve peak_widths işlevleriyle analiz edilmiştir.

Ana metinde pik belirginliği için 0,01, minimum FWHM için 20 nm ve λmax için 310 nm ile ilişkili bir eşik verilmektedir. Ancak cümlenin bağlaç yapısı, bu koşulların birlikte mi yoksa alternatif olarak mı uygulandığını tam olarak açıklamamaktadır.

Altın nanorod sentez koşulları

• HAuCl₄: 5 mM
• AgNO₃: 1 mM
• Askorbik asit: 10 mM
• HCl: 0,5 M
• NaBH₄: 1 mM
• CTAB ve sodyum oleat: 200 mM
• NaBH₄ hacmi: bütün deneylerde 100 µL ve son eklenen indirgen
• Karıştırma: 1 dakika
• Yaşlandırma: 30 °C’de 1 saat
• Hedef uzunlamasına LSPR λmax: 700 nm

Ana bulguların toplu özeti

Kaynak ve Yöntem Notu

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

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

Eşit katkılı yazarlar: Hyuk Jun Yoo ve Daeho Kim.

Sorumlu yazarlar: Sang Kyu Kwak ve Sang Soo Han.

Kurumsal bağlantılar:

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-kurum 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).

Kaynak türü: Sanal model doğrulaması ile robotik kimyasal deneyleri birleştiren deneysel preprint araştırma makalesi.

Hakemlik durumu: Bu çalışma bir preprinttir ve hakem değerlendirmesinden geçmemiştir.

Yüklenen sürümün platformu: SSRN.

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

Resmî SSRN bağlantısı:SSRN kayıt sayfası

Önceki ChemRxiv sürümü: Çalışmanın daha eski ve daha kısa yazar listesine sahip preprint sürümü ChemRxiv üzerinde bulunmaktadır.

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

Dergi: Hakemli bir dergide yayımlandığı doğrulanamamıştır.

Özgün dergi yayınevi: Yüklenen sürüm için doğrulanmış bir hakemli dergi yayınevi bulunmamaktadır. Ana metindeki Wiley Online Library ifadesi tek başına dergi kabulü veya yayımlanma kanıtı değildir.

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

Kod ve veri erişimi: Çalışmada Python 3.8 ile hazırlanmış kod örneklerinin KIST-CSRC/NanoChef GitHub deposunda bulunduğu belirtilmektedir.

Finansman: Çalışma, Kore Ulusal Araştırma Vakfı tarafından RS-2022-NR068356 ve RS-2024-00450102 numaralı projelerle desteklenmiştir.

Çıkar çatışması: Yazarlar rekabet eden finansal çıkar bildirmemiştir.

Bu Türkçe açıklama, yüklenen çalışmanın ana metni, denklemleri, şekilleri, spektrumları, TEM görüntüleri, deney prosedürleri ve bildirilen sayısal sonuçları temel alınarak hazırlanmıştır. Çalışmada bulunmayan bilimsel sonuçlar eklenmemiştir. Dış kaynaklar yalnızca DOI, sürüm, platform ve yayın durumu gibi bibliyografik bilgilerin doğrulanması için kullanılmıştır.

Ana sınırlılıklar; çalışmanın hakem değerlendirmesinden geçmemiş olması, ek bilgi dosyalarının yüklenen metinde bulunmaması, bazı yüzdeler ve standart sapma değerleri arasındaki metin-şekil uyumsuzlukları, kayıp fonksiyonunun işaret uygulamasındaki belirsizlik, tek laboratuvar doğrulaması ve endüstriyel ölçekli deneylerin bulunmamasıdır. Sonuçlar bu sınırlar içinde değerlendirilmelidir.