Syntheses and Self-Assembling Characteristics of Amphiphilic Star Diblock Copolymers

Uusien polymeeripohjaisten teknologioiden ja materiaalien myötä räätälöityjen polymeerien tarve on kasvanut. Viime vuosituhannen lopussa kehitetyt kontrolloidut polymerointimenetelmät ovat avanneet uusia mahdollisuuksia paitsi monimutkaisten polymeerien synteesiin, myös itsejärjestyvyyteen perustuvien funktionaalisten nanorakenteiden suunnitteluun ja valmistukseen. Nämä voivat jäljitellä luonnossa esiintyviä rakenteita, joita muodostavat esimerkiksi lipidit ja proteiinit. Itsejärjestyvät molekyylit ovat usein amfifiilisiä eli ne koostuvat hydrofiilisistä ja hydrofobisista osista ja polymeereissä nämä osat voivat olla omina lohkoinaan, jolloin puhutaan amfifiilisistä lohko- tai blokkikopolymeereistä. Riippuen järjestyneiden rakenteiden koostumuksesta ja muodosta, amfifiilisiä blokkikopolymeerejä on tutkittu tai jo käytetty nanoteknologiassa, elastomeereissä, voiteluaineissa, pinta-aktiivisina aineina, lääkkeenannostelussa, maaleissa, sekä elektroniikka-, kosmetiikka- ja elintarviketeollisuudessa. Tavallisimmin käytetyt amfifiiliset blokkikopolymeerit ovat olleet lineaarisia, mutta viime aikoina tutkimus on suuntautunut kohti monimutkaisempia rakenteita. Tällaisia ovat esimerkiksi tähtipolymeerit. Tähtimäisissä polymeereissä miselleille tyypillinen ydin-kuori-rakenne säilyy hyvin alhaisissakin polymeerikonsentraatioissa, koska polymeeriketjut ovat kiinni toisissaan yhdessä pisteessä. Siten ne ovat erityisen kiinnostavia tutkimuskohteita erilaisten hydrofobisten orgaanisten yhdisteiden sitomiseksi ja vapauttamiseksi. Tässä työssä on tarkasteltu amfifiilisten tähtipolymeerien itsejärjestymistä vesiliuoksissa sekä kokeellisesti ja tietokonesimulaatioin. Työ koostuu kahdesta osasta: tähtipolymeerien synteesistä makrosyklisillä initiaattoreilla ja amfifiilisten tähtimäisten blokkikopolymeerien ominaisuuksien tutkimisesta.

Multivariate Techniques for Identifying Diffractive Interactions at the LHC

Close to one half of the LHC events are expected to be due to elastic or inelastic diffractive scattering. Still, predictions based on extrapolations of experimental data at lower energies differ by large factors in estimating the relative rate of diffractive event categories at the LHC energies. By identifying diffractive events, detailed studies on proton structure can be carried out. The combined forward physics objects: rapidity gaps, forward multiplicity and transverse energy flows can be used to efficiently classify proton-proton collisions. Data samples recorded by the forward detectors, with a simple extension, will allow first estimates of the single diffractive (SD), double diffractive (DD), central diffractive (CD), and non-diffractive (ND) cross sections. The approach, which uses the measurement of inelastic activity in forward and central detector systems, is complementary to the detection and measurement of leading beam-like protons. In this investigation, three different multivariate analysis approaches are assessed in classifying forward physics processes at the LHC. It is shown that with gene expression programming, neural networks and support vector machines, diffraction can be efficiently identified within a large sample of simulated proton-proton scattering events. The event characteristics are visualized by using the self-organizing map algorithm.