El aprendizaje automático es una rama importante en el campo de la inteligencia artificial. Su idea básica es construir un modelo estadístico basado en datos y usar el modelo para analizar y predecir los datos. Con el rápido desarrollo de la tecnología de big data, Los algoritmos de aprendizaje automático basados ​​en datos han comenzado a florecer en varios campos de la investigación de materiales.

Recientemente, un equipo de investigación dirigido por el profesor Wang Jun del Instituto de Óptica y Mecánica Fina de la Academia de Ciencias de China (CAS) de Shanghai propuso un método de reconocimiento para distinguir la película continua monocapa y las áreas de defectos aleatorios de dos dimensiones (2-D) semiconductores que utilizan el método de aprendizaje automático con señales Raman.

Su trabajo reveló el potencial de aplicación de los algoritmos de aprendizaje automático en el campo de la espectroscopia de materiales 2-D. y fue publicado en Nanomaterials.

El espectro Raman de los materiales 2-D es muy sensible a los enlaces moleculares y la estructura de la muestra, y se puede utilizar para la investigación y el análisis de la identificación química, morfología y fase, presión / estrés interno, y composición. Aunque la espectroscopia Raman proporciona suficiente información, Cómo extraer la profundidad de la información y utilizar información múltiple para tomar decisiones integrales aún necesita más investigación.

En este estudio, los investigadores utilizaron diversa información de características, incluida la frecuencia Raman y la intensidad de MoS2. Utilizaron el proceso de muestreo bootstrap para obtener conjuntos de subentrenamiento que contienen información de ubicación espacial diferente, y estableció un modelo forestal aleatorio compuesto por un cierto número de decisiones a través del procedimiento de aprendizaje.

Cuando un nuevo punto de muestra ingresa al modelo para la predicción y el juicio, cada árbol de decisiones en el bosque aleatorio hará juicios independientes, y luego dar resultados de predicción relativamente precisos mediante votación por mayoría. Además de juzgar las muestras monocapa y bicapa, el modelo también puede predecir grietas y núcleos distribuidos aleatoriamente que se introducen fácilmente durante el crecimiento de la muestra.

El programa de investigación propuesto en este trabajo introduce algoritmos de aprendizaje automático en el estudio de la espectroscopia de materiales bidimensionales, y puede extenderse a otros materiales, aportando importantes soluciones para la caracterización de materiales en diferentes campos.