Forskere foreslår maskinlæringsmetode til 2-D materialespektroskopi

Machine learning er en vigtig gren inden for kunstig intelligens. Dens grundlæggende idé er at bygge en statistisk model baseret på data og bruge modellen til at analysere og forudsige dataene. Med den hurtige udvikling af big data-teknologi, datadrevne maskinlæringsalgoritmer er begyndt at blomstre inden for forskellige områder af materialeforskning.

For nylig, et forskerhold ledet af prof. Wang Jun fra Shanghai Institute of Optics and Fine Mechanics ved det kinesiske videnskabsakademi (CAS) foreslog en genkendelsesmetode til at skelne mellem monolags kontinuerlig film og tilfældige defektområder i todimensionelle (2-D) halvledere ved hjælp af maskinlæringsmetoden med Raman-signaler.

Deres arbejde afslørede anvendelsespotentialet af maskinlæringsalgoritmer inden for 2-D materialespektroskopi, og blev udgivet i Nanomaterials.

Raman-spektret af 2-D-materialer er meget følsomt over for molekylær binding og prøvestruktur, og kan bruges til forskning og analyse af kemisk identifikation, morfologi og fase, indre pres/stress, og sammensætning. Selvom Raman-spektroskopi giver nok information, hvordan man kan udvinde dybden af ​​information og bruge flere oplysninger til at træffe omfattende beslutninger kræver stadig yderligere forskning.

I dette studie, forskerne brugte forskellige funktioner, herunder Raman-frekvensen og intensiteten af ​​MoS2. De brugte bootstrap-sampling-processen til at opnå undertræningssæt indeholdende forskellige geografiske placeringsoplysninger, og etableret en tilfældig skovmodel sammensat af det bestemte antal beslutninger gennem læringsproceduren.

Når et nyt prøvepunkt kommer ind i modellen til forudsigelse og bedømmelse, hvert beslutningstræ i den tilfældige skov vil foretage uafhængige vurderinger, og derefter give relativt nøjagtige forudsigelsesresultater gennem flertalsafstemning. Ud over at bedømme enkeltlags- og dobbeltlagsprøverne, modellen kan også forudsige revner og tilfældigt fordelte kerner, der let indføres under prøvevækst.

Det forskningsprogram, der foreslås i dette arbejde, introducerer maskinlæringsalgoritmer i studiet af todimensionel materialespektroskopi, og kan udvides til andre materialer, leverer vigtige løsninger til materialekarakterisering på forskellige områder.