Bildanalyse durch maschinelles Lernen bestimmt schnell die Zusammensetzung chemischer Mischungen

Haben Sie schon einmal versehentlich ein Rezept in der Küche ruiniert, indem Sie Salz anstelle von Zucker hinzugefügt haben? Aufgrund ihres ähnlichen Aussehens ist es leicht, einen Fehler zu machen. Ebenso wird die Kontrolle mit dem bloßen Auge auch in Chemielaboren eingesetzt, um eine schnelle und erste Einschätzung von Reaktionen zu ermöglichen; Doch genau wie in der Küche hat das menschliche Auge seine Grenzen und kann unzuverlässig sein.

Um dieses Problem anzugehen, haben Forscher am Institute of Chemical Reaction Design and Discovery (WPI-ICReDD) der Universität Hokkaido unter der Leitung von Professor Yasuhide Inokuma gearbeitethaben ein Modell für maschinelles Lernen entwickeltDas kann das Zusammensetzungsverhältnis fester Mischungen chemischer Verbindungen anhand von Fotos der Proben unterscheiden.

Das Modell wurde anhand von Zucker-Salz-Mischungen als Testfall entworfen und entwickelt. Das Team nutzte eine Kombination aus zufälligem Zuschneiden, Spiegeln und Drehen der Originalfotos, um eine größere Anzahl von Teilbildern für Schulungs- und Testzwecke zu erstellen. Dadurch konnte das Modell mit nur 300 Originalbildern für das Training entwickelt werden. Das trainierte Modell war ungefähr doppelt so genau wie das bloße Auge selbst des erfahrensten Teammitglieds.

„Ich finde es faszinierend, dass wir mit maschinellem Lernen die Genauigkeit der Augen erfahrener Chemiker reproduzieren und sogar übertreffen konnten“, kommentierte Inokuma. „Dieses Tool soll neuen Chemikern helfen können, schneller ein erfahrenes Auge zu erlangen.“

Nach dem erfolgreichen Testfall wandten die Forscher dieses Modell auf die Bewertung verschiedener chemischer Mischungen an. Das Modell unterschied erfolgreich verschiedene Polymorphe und Enantiomere, die beide äußerst ähnliche Versionen desselben Moleküls mit geringfügigen Unterschieden in der atomaren oder molekularen Anordnung sind. Die Unterscheidung dieser subtilen Unterschiede ist in der Pharmaindustrie wichtig und erfordert normalerweise einen zeitaufwändigeren Prozess.

Das Modell war sogar in der Lage, komplexere Mischungen zu verarbeiten und den Prozentsatz eines Zielmoleküls in einer Vierkomponentenmischung genau zu bestimmen. Außerdem wurde die Reaktionsausbeute analysiert, um den Fortschritt einer thermischen Decarboxylierungsreaktion zu bestimmen.

Das Team demonstrierte außerdem die Vielseitigkeit seines Modells und zeigte, dass es mit einem Mobiltelefon aufgenommene Bilder genau analysieren konnte, nachdem zusätzliches Training durchgeführt wurde. Die Forscher erwarten vielfältige Einsatzmöglichkeiten, sowohl im Forschungslabor als auch in der Industrie.

„Wir sehen dies als anwendbar in Situationen an, in denen eine ständige und schnelle Auswertung erforderlich ist, etwa bei der Überwachung von Reaktionen in einer Chemiefabrik oder als Analyseschritt in einem automatisierten Prozess mithilfe eines Syntheseroboters“, erklärte der eigens ernannte Assistenzprofessor Yuki Ide. „Darüber hinaus könnte dies als Beobachtungsinstrument für Menschen mit Sehbehinderung dienen.“

- Diese Pressemitteilung wurde ursprünglich auf der Website der Hokkaido-Universität veröffentlicht