近日，在ACS中央科学期刊（ACS Central Science）上发表了一项将机器学习和电镜结合的方法，可以在研究纳米颗粒时更加便利。

液相电镜与机器学习相结合，简化数据输出方法示意图

该项研究由伊利诺伊大学香槟分校材料科学与工程教授陈倩（CHEN QIAN音译）教授领导，建立在她过去的液相电镜研究成果基础之上，在液相电镜和数据输出系统之间架桥。

能够看到并记录纳米颗粒的运动对于理解各种工程挑战至关重要。液相电子显微镜可以让研究人员观察纳米颗粒在微小的水族样品容器中的相互作用，对于医学、能源和环境可持续性以及超材料的制造等方面的研究非常有用。然而，研究人员说，很难解释数据集。产生的视频文件很大，充满了时间和空间信息，并且由于背景信号而产生噪声，换句话说，它们需要大量繁琐的图像处理和分析。

“开发一种甚至能看到这些粒子的方法是一个巨大的挑战，”陈说。“如何有效地从大量的异常值和噪音中获取有用的数据片段，已成为新的挑战。”“我们的新项目处理了三种纳米尺度动力学的信息，包括纳米颗粒的运动、化学反应和自组装，”首席作者、研究生姚乐涵（Lehan Yao音译）说。“这些代表了我们在分析液相电子显微镜视频时遇到的情况和挑战。”

为了解决这个问题，研究小组开发了一种基于人工神经网络的机器学习工作流程，它在一定程度上模拟了人脑的学习能力。该研究报告称，该项目建立在现有的神经网络（称为U-Net）的基础上，该网络不需要手工制作的特征或预定的输入，并且在使用其他类型的显微镜识别不规则细胞特征方面取得了重大突破。

但是，正如陈教授的小组在过去的研究中发现的那样，对比度仍然是某些纳米颗粒成像时的一个问题。在他们的实验工作中，研究小组使用了由金制成的粒子，用电子显微镜很容易看到。然而，陈说，像蛋白质、塑料聚合物和其他有机纳米粒子这样的元素或分子量较低的粒子，在电子束下观察时，对比度非常低。

研究小组通过新论文的补充信息部分公开了本研究中使用的机器学习程序的源代码。陈说：“我们认为，让其他研究人员使用这些代码可以使整个纳米材料研究界受益。”。

编译 YUXI