Ett forskargrupp vid University of Tokyo har utvecklat en kraftfull maskininlärningsalgoritm som förutsäger egenskaper och strukturer för okända prover från ett elektronspektrum. Denna process kan snabbt påskynda processen att upptäcka och testa nya nanomaskiner, solceller, och andra elektroniska enheter.

Tricorders är fiktiva enheter som först ses på den ursprungliga Star Trek -tv -serien. I denna science fiction -miljö, forskare kunde omedelbart lära sig om klipporna på främmande planeter med en snabb genomsökning. Forskare vid University of Tokyo har tagit ett steg mot att göra detta koncept till verklighet. De använde data från kärnförlustelektronspektroskopi, en uppsättning standard laboratorietester som skickar elektroner till ett prov för att bestämma atomelementen i det och deras bindningsstruktur. Dock, resultaten från dessa instrument är svåra att tolka. För att övervinna detta problem, de vände sig till maskininlärning. I motsats till konventionella datorprogram, maskininlärningsalgoritmer behöver inte få veta vilka mönster man ska leta efter. Istället, algoritmerna tränas genom att ange många exempel, och med tiden lär sig programmet hur man klassificerar nya okända prover.

Här, forskarna valde ett neuralt nätverk som efterliknar organisationen av den mänskliga hjärnan. Data från kända material skickas som inmatning, och kopplingarna mellan neuroner justeras för att optimera modellens förutsägelser. Enligt den första författaren Shin Kiyohara, "med den ökande efterfrågan på nanoskalaenheter, verktyg för att förstå molekylära strukturer blir mer och mer värdefulla. "

Även om det fortfarande är långt från en tricorder som direkt kan identifiera främmande bergformationer, huvudförfattaren Teruyasu Mizoguchi menar att "denna metod har en enorm potential för användning för att snabbt testa egenskaperna hos nya material."