Wykorzystanie metod mechaniki kwantowej i uczenia maszynowego do przewidywania wydajności kwantowej fluorescencji
Identyfikator grantu: PT01173
Kierownik projektu: Patryk Jasik
Realizatorzy:
- Anna Kaczmarek-Kędziera
- Anderson Exlonk Gil Peláez
- Piotr Żuchowski
Politechnika Gdańska
Wydział Fizyki Technicznej i Matematyki Stosowanej
Gdańsk
Data otwarcia: 2024-06-05
Streszczenie projektu
Fluorescencja jest zjawiskiem, w którym substancja emituje światło po jej wzbudzeniu. Jest ona kluczowa w różnych dziedzinach nauki, zwłaszcza w biochemii i biofizyce. Zrozumienie wydajności kwantowej fluorescencji (PLQY) jest niezbędne np. do charakterystyki fluoroforów. PLQY, obok czasu życia fluorescencji oraz długości fal emisji i absorpcji, stanowi podstawę do określania właściwości i zachowania fluoroforów w różnych zastosowaniach.
Jednak dokładne przewidywanie PLQY stawia poważne wyzwania ze względu na złożone współwystępowanie procesów radiacyjnych i nieradiacyjnych podczas fluorescencji. Procesy radiacyjne obejmują emisję fotonów, co przyczynia się do fluorescencji, podczas gdy procesy nieradiacyjne obejmują mechanizmy takie jak rozpraszanie energii poprzez wibracje cząsteczkowe lub reakcje chemiczne, które zmniejszają wydajność fluorescencji. Dynamika tych procesów zachodzi w skali czasowej, zazwyczaj obejmującej nanosekundy, co sprawia, że ich symulacja jest obliczeniowo intensywna i trudna.
Niniejszy projekt ma na celu wykorzystanie synergicznego podejścia łączącego techniki uczenia maszynowego (ML) z mechaniką kwantową, aby przezwyciężyć wyzwania związane z przewidywaniem wydajności kwantowej fluorescencji. Zamierzamy stworzyć unikatowe rozwiązanie teoretyczno-obliczeniowe, które pozwoli wykorzystać podstawowe zasady fizyki rządzące dynamiką fluorescencji w modelach predykcyjnych, integrując metody mechaniki kwantowej z algorytmami ML.
Jednak dokładne przewidywanie PLQY stawia poważne wyzwania ze względu na złożone współwystępowanie procesów radiacyjnych i nieradiacyjnych podczas fluorescencji. Procesy radiacyjne obejmują emisję fotonów, co przyczynia się do fluorescencji, podczas gdy procesy nieradiacyjne obejmują mechanizmy takie jak rozpraszanie energii poprzez wibracje cząsteczkowe lub reakcje chemiczne, które zmniejszają wydajność fluorescencji. Dynamika tych procesów zachodzi w skali czasowej, zazwyczaj obejmującej nanosekundy, co sprawia, że ich symulacja jest obliczeniowo intensywna i trudna.
Niniejszy projekt ma na celu wykorzystanie synergicznego podejścia łączącego techniki uczenia maszynowego (ML) z mechaniką kwantową, aby przezwyciężyć wyzwania związane z przewidywaniem wydajności kwantowej fluorescencji. Zamierzamy stworzyć unikatowe rozwiązanie teoretyczno-obliczeniowe, które pozwoli wykorzystać podstawowe zasady fizyki rządzące dynamiką fluorescencji w modelach predykcyjnych, integrując metody mechaniki kwantowej z algorytmami ML.