Neuroverkot nanopartikkelien koon ennustamisessa
Johansson, Cecilia (2025-04-25)
Neuroverkot nanopartikkelien koon ennustamisessa
(25.04.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe2025042932943
https://urn.fi/URN:NBN:fi-fe2025042932943
Tiivistelmä
Nanopartikkeleilla on kokoriippuvaisia ominaisuuksia, joiden avulla terveysteknologian sovelluksia voidaan kehittää tehokkaammiksi ja tarkemmiksi. Nanomittakaava aiheuttaa kuitenkin koon optimoinnin haasteita, koska ominaisuudet ja koko eivät korreloi lineaarisesti toisiinsa nähden. Optimoinnin haasteisiin on ehdotettu ratkaisuksi neuroverkkoja.
Tutkielmassa perehdytään ensin nanopartikkelien kokoriippuvaisiin ominaisuuksiin, haasteisiin ja hyötyihin terveysteknologiassa sekä neuroverkkojen toimintaperiaatteeseen, rajoituksiin ja hyötyihin. Kirjallisuustutkimuksessa selvitetään, millaiset neuroverkot soveltuvat parhaiten nanopartikkelien koon ennustamiseen ja onko niiden käyttö kannattavaa tulevaisuudessa. Valittu tutkimusaineisto on jaoteltu epäorgaanisiin, orgaanisiin ja hiilipohjaisiin partikkeleihin. Tutkimusaineistoon valittiin relevantteja matalia neuroverkkoja koskevia tutkimuksia, joiden täytyi sijoittua aikavälille 2014–2024 ja olla vähintään JUFO-tasoluokan 1 julkaisuja.
Ennustuskykyä kuvaavien mittareiden perusteella yhden kerroksen neuroverkot soveltuvat parhaiten koon ennustamiseen verrattuna syväneuroverkkoihin tai muihin koneoppimismenetelmiin. Vaikka neuroverkkojen optimaaliseen toimintaan tarvitaan runsaasti laadukasta dataa, sopivan optimointialgoritmin valinnalla pystytään säästämään aikaa. Universaalien mallien kehitys todettiin jatkossa merkittäväksi hiukkasten tuotannon ja niihin liittyvän tutkimuksen vauhdittamisen kannalta. Vaikka tutkimusaineiston perusteella neuroverkot on todettu hyödyllisiksi, ei julkaisuissa otettu kantaa mallien tuottamiin hyötyihin suhteessa niiden käyttämiin resursseihin. Neuroverkkojen ja tekoälyn käyttö on tulevaisuudessa kannattavaa, jotta nanopartikkelien potentiaali saadaan hyödynnettyä monipuolisesti erilaisissa sovelluksissa, kuten antureissa ja lääkeannostelussa.
Tutkielmassa perehdytään ensin nanopartikkelien kokoriippuvaisiin ominaisuuksiin, haasteisiin ja hyötyihin terveysteknologiassa sekä neuroverkkojen toimintaperiaatteeseen, rajoituksiin ja hyötyihin. Kirjallisuustutkimuksessa selvitetään, millaiset neuroverkot soveltuvat parhaiten nanopartikkelien koon ennustamiseen ja onko niiden käyttö kannattavaa tulevaisuudessa. Valittu tutkimusaineisto on jaoteltu epäorgaanisiin, orgaanisiin ja hiilipohjaisiin partikkeleihin. Tutkimusaineistoon valittiin relevantteja matalia neuroverkkoja koskevia tutkimuksia, joiden täytyi sijoittua aikavälille 2014–2024 ja olla vähintään JUFO-tasoluokan 1 julkaisuja.
Ennustuskykyä kuvaavien mittareiden perusteella yhden kerroksen neuroverkot soveltuvat parhaiten koon ennustamiseen verrattuna syväneuroverkkoihin tai muihin koneoppimismenetelmiin. Vaikka neuroverkkojen optimaaliseen toimintaan tarvitaan runsaasti laadukasta dataa, sopivan optimointialgoritmin valinnalla pystytään säästämään aikaa. Universaalien mallien kehitys todettiin jatkossa merkittäväksi hiukkasten tuotannon ja niihin liittyvän tutkimuksen vauhdittamisen kannalta. Vaikka tutkimusaineiston perusteella neuroverkot on todettu hyödyllisiksi, ei julkaisuissa otettu kantaa mallien tuottamiin hyötyihin suhteessa niiden käyttämiin resursseihin. Neuroverkkojen ja tekoälyn käyttö on tulevaisuudessa kannattavaa, jotta nanopartikkelien potentiaali saadaan hyödynnettyä monipuolisesti erilaisissa sovelluksissa, kuten antureissa ja lääkeannostelussa.