近日，在ACS中央科學期刊（ACS Central Science）上發表了一項將機器學習和電鏡結合的方法，可以在研究納米顆粒時更加便利。

液相電鏡與機器學習相結合，簡化數據輸出方法示意圖

該項研究由伊利諾伊大學香檳分校材料科學與工程教授陳倩（CHEN QIAN音譯）教授領導，建立在她過去的液相電鏡研究成果基礎之上，在液相電鏡和數據輸出系統之間架橋。

能夠看到并記錄納米顆粒的運動對于理解各種工程挑戰至關重要。液相電子顯微鏡可以讓研究人員觀察納米顆粒在微小的水族樣品容器中的相互作用，對于醫學、能源和環境可持續性以及超材料的制造等方面的研究非常有用。然而，研究人員說，很難解釋數據集。產生的視頻文件很大，充滿了時間和空間信息，并且由于背景信號而產生噪聲，換句話說，它們需要大量繁瑣的圖像處理和分析。

“開發一種甚至能看到這些粒子的方法是一個巨大的挑戰，”陳說。“如何有效地從大量的異常值和噪音中獲取有用的數據片段，已成為新的挑戰。”“我們的新項目處理了三種納米尺度動力學的信息，包括納米顆粒的運動、化學反應和自組裝，”首席作者、研究生姚樂涵（Lehan Yao音譯）說。“這些代表了我們在分析液相電子顯微鏡視頻時遇到的情況和挑戰。”

為了解決這個問題，研究小組開發了一種基于人工神經網絡的機器學習工作流程，它在一定程度上模擬了人腦的學習能力。該研究報告稱，該項目建立在現有的神經網絡（稱為U-Net）的基礎上，該網絡不需要手工制作的特征或預定的輸入，并且在使用其他類型的顯微鏡識別不規則細胞特征方面取得了重大突破。

但是，正如陳教授的小組在過去的研究中發現的那樣，對比度仍然是某些納米顆粒成像時的一個問題。在他們的實驗工作中，研究小組使用了由金制成的粒子，用電子顯微鏡很容易看到。然而，陳說，像蛋白質、塑料聚合物和其他有機納米粒子這樣的元素或分子量較低的粒子，在電子束下觀察時，對比度非常低。

研究小組通過新論文的補充信息部分公開了本研究中使用的機器學習程序的源代碼。陳說：“我們認為，讓其他研究人員使用這些代碼可以使整個納米材料研究界受益。”。

編譯 YUXI