Un equipo internacional de científicos, incluidos físicos de la Universidad de Luxemburgo, han informado un punto de vista integral sobre cómo se pueden utilizar los enfoques de aprendizaje automático en nanociencia para analizar y extraer nuevos conocimientos de grandes conjuntos de datos, y acelerar el descubrimiento de material, y orientar el diseño experimental. Es más, discuten algunos de los principales desafíos físicos detrás de la realización de dispositivos memristivos personalizados para el aprendizaje automático.

Los investigadores han publicado una mini revisión en Nano letras . El artículo fue elaborado en cooperación con investigadores de la Universidad de Boston, la Universidad de Pensilvania, el Laboratorio de Investigación Naval de EE. UU., y el Centro Interuniversitario de Microelectrónica (Bélgica), el centro de I + D e innovación líder en el mundo en nanoelectrónica y tecnologías digitales.

En nanociencia, experimentos de alto rendimiento habilitados por el pequeño tamaño de las muestras a nanoescala y rápidos, Las herramientas de imágenes de alta resolución se están generalizando cada vez más. Por ejemplo, en nanofotónica y catálisis, las propiedades de los materiales se han variado sistemáticamente en el mismo sustrato del tamaño de una oblea y se han caracterizado localmente utilizando una sonda de barrido de alta resolución y técnicas de microespectroscopía óptica o electrónica. Estos o métodos similares pueden generar conjuntos de datos que son demasiado vastos y complejos para que los investigadores los analicen mentalmente sin ayuda computacional; todavía, estos datos son ricos en relaciones que a los investigadores les gustaría comprender. En este marco, El aprendizaje automático permite a los investigadores analizar grandes conjuntos de datos mediante modelos de entrenamiento que se pueden utilizar para clasificar las observaciones en grupos discretos. aprender qué características determinan una métrica de rendimiento, o predecir el resultado de nuevos experimentos. Es más, El aprendizaje automático puede ayudar a los investigadores a diseñar experimentos para optimizar el rendimiento o probar hipótesis de forma más eficaz.

"De la nano-optoelectrónica, a la catálisis, a la interfaz bio-nano, el aprendizaje automático está cambiando la forma en que los investigadores recopilan analizar, e interpretar sus datos, "dice Nicolò Maccaferri, Investigador del Departamento de Física y Ciencia de los Materiales (DPHYMS) de la Universidad de Luxemburgo.

"En los próximos años, La ciencia basada en datos será fundamental para el descubrimiento y el diseño de nuevos materiales que pueden ayudarnos a aumentar la eficiencia de una plétora de procesos. de la química a la electrónica ", explica Maccaferri. Dentro de la estrategia digital de la Universidad de Luxemburgo, Los enfoques de aprendizaje automático ayudarán en esta dirección.

"Estas metodologías pueden ayudar a los experimentadores a avanzar más rápido en el diseño de experimentos y a procesar e interpretar sus datos". En nuestro caso particular, mediante el aprendizaje automático podemos analizar y procesar la gran cantidad de información codificada en los espectros ópticos de las nanoestructuras que estudiamos en nuestro laboratorio, permitiendo así una lectura de datos casi libre de errores. Al mismo tiempo, Podemos usar estos datos para el diseño inverso y la optimización de nanoestructuras fotónicas que pueden usarse para desarrollar dispositivos y sistemas post-CMOS más allá de las arquitecturas de von Neumann. En este paradigma, cambia la naturaleza ondulatoria de la luz y las operaciones inherentes relacionadas, como interferencia y difracción, puede desempeñar un papel importante en la mejora del rendimiento computacional de los enfoques de aprendizaje automático, "dice Maccaferri, quien también colaborará con teóricos y científicos de datos de la universidad para desarrollar nuevas metodologías para mejorar la velocidad a la que funcionan los componentes electrónicos.