麻省理工学院的工程师利用机器学习模型设计纳米颗粒，以更高效地将RNA传递到细胞中。研究团队创建了3000种不同的脂质纳米颗粒（LNP）配方，并通过实验验证了模型的预测能力，显示出新配方的有效性。这种方法有望加速RNA疫苗及治疗代谢疾病的开发。
德国和巴西的研究团队利用预训练的人工智能模型SAM，实现了纳米颗粒的自动化分割与分析，克服了传统方法的局限性。实验结果表明，SAM在精度和效率上优于手动测量和分水岭算法，为纳米颗粒表征提供了新思路，未来将探索其在多组分分析和动态监测中的应用。
本研究提出了一种新颖的两阶段人工智能工作流程，旨在高效准确地特征化纳米颗粒，尤其是颗粒尺寸分布。该方法利用目标检测和视觉变换器架构，展现出在多种催化剂体系中的强泛化能力，具有广泛的应用潜力。
本研究提出了一种基于深度学习的本构模型，分析含水量的纳米颗粒/环氧纳米复合材料的循环粘弹性行为。利用长短期记忆网络捕捉应力应变关系，并应用于有限元分析，验证了模型在不同加载条件下的高效性和准确性。数值结果与实验数据一致，显示出该模型的优越性。
完成下面两步后，将自动完成登录并继续当前操作。
