Neuroverkot nanopartikkelien koon ennustamisessa

Tietueen suppeat tiedot
dc.contributor.authorJohansson, Cecilia
dc.contributor.departmentfi=Tietotekniikan laitos|en=Department of Computing|
dc.contributor.facultyfi=Teknillinen tiedekunta|en=Faculty of Technology|
dc.contributor.studysubjectfi=Lääketieteellinen tekniikka ja terveysteknologia|en=Biomedical Engineering and Health Technology|
dc.date.accessioned2025-04-29T21:31:09Z
dc.date.available2025-04-29T21:31:09Z
dc.date.issued2025-04-25
dc.description.abstractNanopartikkeleilla 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.
dc.format.extent42
dc.identifier.olddbid197734
dc.identifier.oldhandle10024/180773
dc.identifier.urihttps://www.utupub.fi/handle/11111/2565
dc.identifier.urnURN:NBN:fi-fe2025042932943
dc.language.isofin
dc.rightsfi=Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.|en=This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.|
dc.rights.accessrightsavoin
dc.source.identifierhttps://www.utupub.fi/handle/10024/180773
dc.subjectnanopartikkeli, neuroverkot, koko, ennustaminen
dc.titleNeuroverkot nanopartikkelien koon ennustamisessa
dc.type.ontasotfi=Kandidaatintutkielma|en=Bachelor's thesis|

Tiedostot

Näytetään 1 - 1 / 1
Name:
Johansson%20Cecilia%20Kandi%202025.pdf
Size:
537.82 KB
Format:
Adobe Portable Document Format
Lataa

Kokoelmat

Kandidaatin tutkielmat (kokotekstit)