Maskinlæring afslører hurtig materialeklassificering

Et forskerhold ved University of Tokyo har udviklet en kraftfuld maskinlæringsalgoritme, der forudsiger egenskaberne og strukturerne af ukendte prøver fra et elektronspektrum. Denne proces kan hurtigt fremskynde processen med at opdage og teste nye nanomaskiner, solceller, og andre elektroniske enheder.

Tricordere er fiktive enheder, der først blev set på det originale Star Trek tv-show. I dette science fiction-miljø, videnskabsmænd kunne med det samme lære om klipperne på fremmede planeter med en hurtig scanning. Forskere ved University of Tokyo har taget et skridt i retning af at gøre dette koncept til virkelighed. De brugte data fra kerne-tab elektronspektroskopi, et sæt standardlaboratorietests, der sender elektroner til en prøve for at bestemme de atomare elementer i den og deres bindingsstruktur. Imidlertid, resultaterne fra disse instrumenter er svære at fortolke. For at overvinde dette problem, de vendte sig mod maskinlæring. I modsætning til konventionelle computerprogrammer, maskinlæringsalgoritmer behøver ikke at få at vide, hvilke mønstre de skal kigge efter. I stedet, Algoritmerne trænes ved at indtaste mange eksempler, og over tid lærer programmet at klassificere nye ukendte prøver.

Her, forskerne valgte et neuralt netværk, der efterligner organiseringen af ​​den menneskelige hjerne. Data fra kendte materialer sendes som input, og forbindelserne mellem neuroner justeres for at optimere modellens forudsigelser. Ifølge første forfatter Shin Kiyohara, "med den stigende efterspørgsel efter enheder i nanoskala, værktøjer til at forstå molekylære strukturer bliver mere og mere værdifulde."

Selvom der stadig er langt fra en tricorder, der øjeblikkeligt kan identificere fremmede klippeformationer, hovedforfatter Teruyasu Mizoguchi mener, at "denne metode har et enormt potentiale for hurtigt at teste egenskaberne af nye materialer."