Ett internationellt team av forskare, inklusive fysiker från universitetet i Luxemburg, har rapporterat en heltäckande syn på hur maskininlärningsmetoder kan användas inom nanovetenskap för att analysera och extrahera nya insikter från stora datamängder, och påskynda materialupptäckten, och att vägleda experimentell design. Dessutom, de diskuterar några av de största fysiska utmaningarna bakom förverkligandet av skräddarsydda memristiva enheter för maskininlärning.

Forskarna har publicerat en Mini Review i Nanobokstäver . Artikeln är framtagen i samarbete med forskare vid University of Boston, University of Pennsylvania, US Naval Research Laboratory, och Interuniversity Microelectronics Centre (Belgien), det världsledande navet för forskning och utveckling och innovation inom nanoelektronik och digital teknik.

Inom nanovetenskap, experiment med hög genomströmning möjliggjort av den lilla storleken på prover i nanoskala och snabba, högupplösta bildverktyg blir allt mer utbredda. Till exempel, Inom nanofotonik och katalys har materialegenskaper varierats systematiskt över samma substrat i skivstorlek och karakteriserats lokalt med hjälp av högupplösta skanningssond och optiska eller elektronmikrospektroskopitekniker. Dessa eller liknande metoder kan generera datamängder som är för stora och komplexa för forskare att mentalt analysera utan beräkningshjälp; än, dessa data är rika på samband som forskarna skulle vilja förstå. Inom denna ram, maskininlärning gör det möjligt för forskare att analysera stora datamängder genom att träna modeller som kan användas för att klassificera observationer i diskreta grupper, lära dig vilka funktioner som avgör ett prestandamått, eller förutsäga resultatet av nya experiment. Vidare, maskininlärning kan hjälpa forskare att designa experiment för att optimera prestanda eller testa hypoteser mer effektivt.

"Från nano-optoelektronik, till katalys, till bio-nano-gränssnittet, maskininlärning omformar hur forskare samlar, analysera, och tolka deras data, säger Nicolò Maccaferri, Forskare vid institutionen för fysik och materialvetenskap (DPHYMS) vid universitetet i Luxemburg.

"Under de kommande åren, datadriven vetenskap kommer att vara grundläggande för upptäckten och designen av nya material som kan hjälpa oss att öka effektiviteten i en uppsjö av processer, från kemi till elektronik", förklarar Maccaferri. Inom Luxemburgs universitets digitala strategi, metoder för maskininlärning kommer att hjälpa i denna riktning.

"Dessa metoder kan hjälpa experimentalister att avancera snabbare i att utforma experiment och att bearbeta och tolka deras data. "I vårt speciella fall, med hjälp av maskininlärning kan vi analysera och bearbeta den stora mängd information som är kodad i de optiska spektra av nanostrukturer vi studerar i vårt laboratorium, vilket möjliggör kvasi-felfri dataavläsning. På samma gång, vi kan använda dessa data för invers design och optimering av fotoniska nanostrukturer som kan användas för att utveckla post-CMOS-enheter och system bortom von Neumann-arkitekturer. I detta paradigmskifte är ljusets vågnatur och relaterade inneboende operationer, såsom interferens och diffraktion, kan spela en viktig roll för att förbättra beräkningsgenomströmningen av metoder för maskininlärning, säger Maccaferri, som också kommer att samarbeta med teoretiker och datavetare vid universitetet för att utveckla nya metoder för att förbättra hastigheten med vilka elektroniska komponenter fungerar.