Een onderzoeksteam van de Universiteit van Tokyo heeft een krachtig machine learning-algoritme ontwikkeld dat de eigenschappen en structuren van onbekende monsters uit een elektronenspectrum voorspelt. Dit proces kan het proces van het ontdekken en testen van nieuwe nanomachines snel versnellen, zonnepanelen, en andere elektronische apparaten.

Tricorders zijn fictieve apparaten die voor het eerst te zien waren in de originele Star Trek-televisieshow. In deze science fiction setting, wetenschappers konden met een snelle scan onmiddellijk meer te weten komen over de rotsen op buitenaardse planeten. Onderzoekers van de Universiteit van Tokyo hebben een stap gezet om dit concept te realiseren. Ze gebruikten gegevens van kernverlies-elektronenspectroscopie, een reeks standaard laboratoriumtests die elektronen naar een monster sturen om de atomaire elementen erin en hun bindingsstructuur te bepalen. Echter, de resultaten van deze instrumenten zijn moeilijk te interpreteren. Om dit probleem op te lossen, ze wendden zich tot machine learning. In tegenstelling tot conventionele computerprogramma's, algoritmen voor machine learning hoeven niet te worden verteld naar welke patronen ze moeten zoeken. In plaats daarvan, de algoritmen worden getraind door het invoeren van vele voorbeelden, en na verloop van tijd leert het programma nieuwe onbekende monsters te classificeren.

Hier, de onderzoekers kozen voor een neuraal netwerk dat de organisatie van het menselijk brein nabootst. Gegevens van bekende materialen worden als invoer verzonden, en de verbindingen tussen neuronen worden aangepast om de voorspellingen van het model te optimaliseren. Volgens de eerste auteur Shin Kiyohara, "met de toenemende vraag naar apparaten op nanoschaal, hulpmiddelen voor het begrijpen van moleculaire structuren worden steeds waardevoller."

Hoewel nog ver verwijderd van een tricorder die buitenaardse rotsformaties onmiddellijk kan identificeren, hoofdauteur Teruyasu Mizoguchi gelooft dat "deze methode een enorm potentieel heeft voor gebruik bij het snel testen van de eigenschappen van nieuwe materialen."