Kad model odustane, NMR spektrometar uči izravno iz uzorka

Računalne simulacije obično pokušavaju unaprijed predvidjeti kako najbolje upravljati složenim sustavom. No u novom eksperimentu istraživači su odlučili preskočiti dio tog nagađanja: povezali su NMR spektrometar s algoritmom strojnog učenja i pustili ga da najbolje postavke traži izravno na stvarnom uzorku. Rezultati, objavljeni 28. listopada 2026. na Phys.org, pokazuju da takav pristup može znatno pojačati signal u zahtjevnijim mjerenjima.

Zašto je NMR-u potreban jači signal?

Nuklearna magnetska rezonancija, odnosno NMR, omogućuje istraživačima da iz strukture signala zaključe kako su molekule građene. Za razliku od metode koja samo otkriva postoji li određena tvar, NMR može dati detaljniju sliku njezina kemijskog okruženja. Problem je osjetljivost. U magnetskom polju samo je malen višak atomskih jezgri usmjeren na isti način, pa je ukupni signal slab.

Istraživači zato koriste dinamičku nuklearnu polarizaciju, poznatu kao DNP. U toj se tehnici snažniji magnetski učinak elektrona prenosi na atomske jezgre pomoću pažljivo oblikovanih mikrovalnih pulseva. Elektroni imaju magnetski moment približno 660 puta veći od protonskog, pa mogu pomoći u stvaranju mjerljivijeg signala. Međutim, u sustavu sudjeluju stotine ili tisuće međusobno povezanih spinova. Zbog toga je idealan slijed pulseva teško izračunati, pogotovo kada se stvarni instrument ne ponaša savršeno kao računalni model.

Algoritam uči iz svakog pokušaja

Tim sa Sveučilišta Aarhus izradio je NMR spektrometar s DNP-om i spojio ga s algoritmom Bayesove optimizacije. Sustav najprije isproba jedan slijed pulseva na uzorku. Izmjereni signal zatim postaje povratna informacija za algoritam, koji predlaže sljedeći pokus. Proces se ponavlja sve dok se ne pronađe učinkovitija kombinacija.

Ključna je razlika u tome što se optimizacija ne oslanja samo na idealizirane pretpostavke. Učenje se odvija u samom instrumentu, na stvarnom uzorku i uz sve nesavršenosti koje je teško vjerno unijeti u simulaciju. Umjesto da pokušava savršeno opisati laboratorij, računalo izravno mjeri što u tom laboratoriju djeluje.

U složenijem sustavu signal je porastao za 70 posto

Istraživači su metodu ispitali na dva različita spinska sustava. U jednom je algoritam pronašao rješenja usporediva s nekim od najboljih postojećih pristupa. U složenijem sustavu dobiveni slijed pulseva dao je približno 70 posto veće pojačanje signala od referentne metode koju su koristili za usporedbu.

Optimizacija nije bila trenutačna: pojedini su postupci trajali od nešto manje od dva dana do gotovo pet dana. Ipak, pronađena postavka može se ponovno koristiti. Jači signal znači i manje ponavljanja potrebnih za korisno mjerenje, pa se ukupno vrijeme analize može smanjiti.

Od dokaza koncepta do osjetljivijih senzora

Autori naglašavaju da je riječ o dokazu koncepta na modelnim sustavima, a ne o gotovom laboratorijskom proizvodu. Ipak, isti način rada mogao bi pomoći u razvoju magnetskih kvantnih senzora, nadzoru industrijskih procesa te mjerenju sastava hrane i okoliša. NMR pritom nije nužno najbolji izbor ako je jedini cilj pronaći trag neke tvari. Njegova je prednost u tome što može pokazati kako su molekule i materijali organizirani.

Najzanimljivija poruka istraživanja nije da je umjetna inteligencija zamijenila znanstvenike. Ona je preuzela zamoran dio traženja postavki, dok su istraživači definirali problem, izgradili instrument i odredili kako procijeniti rezultat. Takva suradnja mogla bi NMR-u otvoriti vrata uzorcima koje je dosad bilo teško analizirati zbog preslabog signala.