Wetenschappers stellen een machine learning-methode voor voor 2-D materiaalspectroscopie

Machine learning is een belangrijke tak op het gebied van kunstmatige intelligentie. Het basisidee is om een ​​statistisch model te bouwen op basis van gegevens en het model te gebruiken om de gegevens te analyseren en te voorspellen. Met de snelle ontwikkeling van big data-technologie zijn datagestuurde algoritmen voor machine learning begonnen te floreren op verschillende gebieden van materiaalonderzoek.

Onlangs stelde een onderzoeksteam onder leiding van prof.Wang Jun van het Shanghai Institute of Optics and Fine Mechanics van de Chinese Academy of Sciences (CAS) een herkenningsmethode voor om de monolaag continue film en willekeurige defectgebieden van tweedimensionale (2- D) halfgeleiders die de machine learning-methode gebruiken met Raman-signalen.

Hun werk onthulde het toepassingspotentieel van machine learning-algoritmen op het gebied van 2-D-materiaalspectroscopie en werd gepubliceerd in Nanomaterialen.

Het Raman-spectrum van 2-D-materialen is erg gevoelig voor moleculaire binding en monsterstructuur, en kan worden gebruikt voor onderzoek en analyse van chemische identificatie, morfologie en fase, interne druk / spanning en samenstelling. Hoewel Raman-spectroscopie voldoende informatie biedt, moet nog verder onderzoek worden gedaan naar de manier waarop de informatie kan worden ontgonnen en meerdere informatie kan worden gebruikt om uitgebreide beslissingen te nemen.

In deze studie gebruikten de onderzoekers verschillende feature-informatie, waaronder de Raman-frequentie en intensiteit van MoS2. Ze gebruikten het bootstrap-bemonsteringsproces om subtrainingssets te verkrijgen die verschillende ruimtelijke locatie-informatie bevatten, en stelden een willekeurig bosmodel op dat bestond uit een bepaald aantal beslissingen via de leerprocedure.

Wanneer een nieuw steekproefpunt het model voor voorspelling en beoordeling binnenkomt, zal elke beslissingsboom in het willekeurige bos onafhankelijke oordelen vellen en vervolgens relatief nauwkeurige voorspellingsresultaten geven door middel van stemming bij meerderheid. Naast het beoordelen van de monolaag en dubbellaagse monsters, kan het model ook scheuren en willekeurig verdeelde kernen voorspellen die gemakkelijk worden geïntroduceerd tijdens monstergroei.

Het onderzoeksprogramma dat in dit werk wordt voorgesteld, introduceert algoritmen voor machine learning in de studie van tweedimensionale materiaalspectroscopie, en kan worden uitgebreid naar andere materialen, waardoor belangrijke oplossingen worden geboden voor materiaalkarakterisering op verschillende gebieden.