Projeto Inverso Baseado em Dados do Tamanho de Nanopartículas de Prata para Síntese Controlada em Vários Sistemas Usando Modelos Gerativos Condicionais

Este estudo tem como objetivo desenvolver e avaliar sistematicamente uma estrutura de design inverso baseada em dados para determinar as condições de síntese de nanopartículas de prata (AgNP) que alcancem um tamanho de partícula prescrito. Para isso, um modelo de substituto direto é primeiro desenvolvido para aprender o mapeamento não linear de parâmetros de síntese para tamanho de partícula, e, em seguida, é acoplado a modelos inversos condicionados ao alvo, incluindo rede adversarial generativa condicional (cGAN), GAN de Wasserstein condicional (cWGAN), GAN de Wasserstein condicional com penalidade de gradiente (cWGAN-GP), GAN de Wasserstein com penalidade de gradiente (WGAN-GP) e outras estruturas comparáveis, para gerar condições de síntese viáveis. Três conjuntos de dados de AgNP cobrindo rotas de síntese microfluídicas e químicas são utilizados para a avaliação, e os modelos são avaliados usando tanto tamanhos-alvo observados experimentalmente quanto alvos construídos que abrangem a faixa de saída alcançável. Os resultados mostram que modelos adversariais condicionais geralmente superam as linhas de base não adversariais. Entre eles, o cWGAN apresenta o desempenho mais consistente em todos os três conjuntos de dados, enquanto o cGAN continua competitivo nos casos de design inverso mais difíceis. A estrutura proposta também captura a natureza um-para-muitos do design inverso, produzindo múltiplas condições candidatas de síntese para um único tamanho alvo. Além disso, os erros de previsão aumentam perto dos limites inferior e superior do intervalo de tamanho viável. O design inverso é, portanto, mais desafiador perto desses limites, embora as principais conclusões comparativas permaneçam inalteradas sob validação mais rigorosa. Essas descobertas apoiam o uso de modelagem generativa condicional com restrição direta para o design de síntese orientado a alvos de AgNP em configurações de dados limitados.