Big data på nanoskala

Et internationalt team af forskere, herunder fysikere fra universitetet i Luxembourg, har rapporteret et omfattende synspunkt om, hvordan maskinlæringsmetoder kan bruges i nanovidenskab til at analysere og udtrække ny indsigt fra store datasæt, og fremskynde materiale opdagelse, og til at guide eksperimentelt design. I øvrigt, de diskuterer nogle af de største fysiske udfordringer bag realiseringen af ​​skræddersyede memristive enheder til maskinlæring.

Forskerne har offentliggjort en Mini Review i Nano bogstaver . Artiklen er lavet i samarbejde med forskere ved University of Boston, University of Pennsylvania, US Naval Research Laboratory, og Interuniversity Microelectronics Center (Belgien), verdens førende forsknings- og udviklings- og innovationshub inden for nanoelektronik og digitale teknologier.

Inden for nanovidenskab, høj-throughput eksperimenter muliggjort af den lille størrelse af nanoskala prøver og hurtige, billedværktøjer i høj opløsning bliver mere og mere udbredt. For eksempel, i nanofotonik og katalyse er materialeegenskaber blevet varieret systematisk på tværs af det samme wafer-størrelse substrat og karakteriseret lokalt ved hjælp af højopløsnings scanningssonde og optiske eller elektronmikrospektroskopiske teknikker. Disse eller lignende metoder kan generere datasæt, der er for omfattende og komplekse til, at forskere mentalt kan analysere uden beregningsmæssig assistance; endnu, disse data er rige på sammenhænge, ​​som forskerne gerne vil forstå. Inden for denne ramme, maskinlæring gør det muligt for forskere at analysere store datasæt ved at træne modeller, der kan bruges til at klassificere observationer i diskrete grupper, lære, hvilke funktioner der bestemmer en metrik for ydeevne, eller forudsige resultatet af nye eksperimenter. Desuden, maskinlæring kan hjælpe forskere med at designe eksperimenter for at optimere ydeevnen eller teste hypoteser mere effektivt.

"Fra nano-optoelektronik, til katalyse, til bio-nano-grænsefladen, maskinlæring omformer, hvordan forskere indsamler, analysere, og fortolke deres data, " siger Nicolò Maccaferri, Forsker ved Institut for Fysik og Materialevidenskab (DPHYMS) ved University of Luxembourg.

"I de kommende år, datadrevet videnskab vil være grundlæggende for opdagelsen og designet af nye materialer, som kan hjælpe os med at øge effektiviteten af ​​en overflod af processer, fra kemi til elektronik" forklarer Maccaferri. Inden for den digitale strategi fra University of Luxembourg, maskinlæringstilgange vil hjælpe i denne retning.

"Disse metoder kan hjælpe eksperimenter med at komme hurtigere frem i design af eksperimenter og til at behandle og fortolke deres data." I vores særlige tilfælde, ved hjælp af maskinlæring kan vi analysere og behandle den store mængde information, der er kodet i de optiske spektre af nanostrukturer, vi studerer i vores laboratorium, dermed muliggør kvasi-fejlfri dataudlæsning. På samme tid, vi kan bruge disse data til omvendt design og optimering af fotoniske nanostrukturer, som kan bruges til at udvikle post-CMOS-enheder og systemer ud over von Neumann-arkitekturer. I dette paradigmeskifte lysets bølgenatur og relaterede iboende operationer, såsom interferens og diffraktion, kan spille en stor rolle i at forbedre beregningsmæssig gennemstrømning af maskinlæringstilgange, " siger Maccaferri, som også vil samarbejde med teoretikere og datavidenskabsfolk på universitetet om at udvikle nye metoder til forbedring af den hastighed, hvormed elektroniske komponenter fungerer.