Väitös teknillisen fysiikan alalta, DI Yashasvi Ranawat

Väitöskirjan nimi: Simulating molecular adsorption on dielectric surfaces with DFT and machine learning

Vastaväittäjä: professori Ruben Perez, Universidad Autónoma de Madrid / Condensed Matter Physics Center (IFIMAC), Espanja
Kustos: professori Adam Foster, Aalto-yliopiston perustieteiden korkeakoulu, teknillisen fysiikan laitos

Väitöstilaisuus järjestetään kampuksella.

Väitöskirja on julkisesti nähtävillä 10 päivää ennen väitöstä Aalto-yliopiston julkaisuarkiston verkkoriiputussivulla.

Elektroninen väitöskirja

Väitöstiedote:

Monia teknisiä ja luonnollisia prosesseja ohjaavat pintavuorovaikutukset nanomittakaavassa. AFM-kuvaus on mahdollistanut tällaisten vuorovaikutusten karakterisoinnin atomi- ja molekyyliresoluutiolla kuvaamisen kautta. Siitä on tullut korvaamaton työkalu proteiinien – ja muiden molekyylien – biologisten prosessien, mineraalien liukenemisen ja kasvun ymmärtämisessä geologiassa sekä erilaisten pintailmiöiden, kuten korroosion, ymmärtämisessä. 

Kuitenkin näin korkealla resoluutiolla kuvan tulkinta ja ympäristömuuttujien hallinta on haastavaa erityisesti kiinteän aineen ja nesteen rajapinnoilla. Tämän opinnäytetyön tavoitteena on täydentää AFM-kuvia simulaatiotekniikoilla, jotta pintailmiöitä voidaan kuvata paremmin. Opinnäytetyöllä oli kaksinkertainen tavoite: ensinnäkin käyttää simulaatiotekniikoita kalsiittipinnan pintarekonstruktion ymmärtämiseen ja siitä seuraavan rekonstruoinnin pintakemian vaikutusten ymmärtämiseen, ja toiseksi luoda syväoppimisen työnkulkuja kiinteän aineen ja nesteen rajapinnan karakterisoinnin avuksi. 

Ensimmäistä tavoitetta varten kalsiittipinta valitaan sen ratkaisevan tärkeän kalsiitti-vesi-rajapinnan vuoksi, jolla on tärkeä rooli biomineralisaatiossa sekä geokemiallisissa järjestelmissä ja ympäristöjärjestelmissä. Lisäksi se on vertailupinta AFM-tutkimuksissa. Toista tavoitetta varten on olemassa huippuluokan simulointitekniikoita, jotka voivat simuloida nesteen vuorovaikutuksia tietyllä pinnalla. Kuitenkin ehdokaspintarakenteita voi olla lukuisia, kun otetaan huomioon AFM-kuva nestekerroksista pinnan päällä. Tällä tahdilla simulointitekniikat muuttuvat laskennallisesti intensiivisiksi ja estävät suoran karakterisoinnin. Tämä korostaa syväoppimisen työkalujen tarvetta intensiivisen simuloinnin työnkulun välttämiseksi. 

Tässä opinnäytetyössä karakterisoimme onnistuneesti kalsiittipinnan rekonstruktiota ja edistimme sen roolin ymmärtämistä tämän elintärkeän mineraalipinnan pintakemiassa. Lisäksi opinnäytetyössä esitellyt syväoppimisen työnkulkumallit osoittavat tällaisten työkalujen roolin kiinteän aineen ja nesteen rajapintojen karakterisoinnin nopeuttamisessa, mikä on ratkaisevan tärkeää AFM:n menestykselle korkeamman resoluution kuvantamisessa.