Een internationaal team van wetenschappers, waaronder natuurkundigen van de Universiteit van Luxemburg, hebben een uitgebreid standpunt gerapporteerd over hoe machine learning-benaderingen kunnen worden gebruikt in Nanoscience om nieuwe inzichten uit grote datasets te analyseren en te extraheren, en de materiële ontdekking versnellen, en om experimenteel ontwerp te begeleiden. Bovendien, ze bespreken enkele van de belangrijkste fysieke uitdagingen achter de realisatie van op maat gemaakte memristieve apparaten voor machine learning.

De onderzoekers hebben een Mini Review gepubliceerd in Nano-letters . Het artikel is tot stand gekomen in samenwerking met onderzoekers van de Universiteit van Boston, de Universiteit van Pennsylvania, het US Naval Research Laboratory, en het Interuniversitair Centrum voor Micro-elektronica (België), de wereldleider op het gebied van R&D en innovatie op het gebied van nano-elektronica en digitale technologieën.

In de nanowetenschap, experimenten met hoge doorvoer mogelijk gemaakt door de kleine omvang van monsters op nanoschaal en snelle, beeldvormingstools met hoge resolutie worden steeds wijdverbreid. Bijvoorbeeld, in nanofotonica en katalyse zijn materiaaleigenschappen systematisch gevarieerd over hetzelfde substraat ter grootte van een wafel en lokaal gekarakteriseerd met behulp van scansonde met hoge resolutie en optische of elektronenmicrospectroscopietechnieken. Deze of vergelijkbare methoden kunnen datasets genereren die te groot en complex zijn voor onderzoekers om mentaal te ontleden zonder computationele hulp; nog, deze gegevens zijn rijk aan verbanden die de onderzoekers graag zouden willen begrijpen. In dit kader is machine learning stelt onderzoekers in staat om grote datasets te analyseren door modellen te trainen die kunnen worden gebruikt om observaties in discrete groepen te classificeren, leren welke functies een prestatiemaatstaf bepalen, of de uitkomst van nieuwe experimenten voorspellen. Verder, machine learning kan onderzoekers helpen bij het ontwerpen van experimenten om de prestaties te optimaliseren of hypothesen effectiever te testen.

"Van nano-opto-elektronica, katalyse, naar de bio-nano-interface, machine learning verandert de manier waarop onderzoekers verzamelen, analyseren, en hun gegevens interpreteren, " zegt Nicolò Maccaferri, Onderzoeker bij de vakgroep Fysica en Materiaalkunde (DPHYMS) van de Universiteit van Luxemburg.

"De komende jaren datagestuurde wetenschap zal van fundamenteel belang zijn voor de ontdekking en het ontwerp van nieuwe materialen die ons kunnen helpen de efficiëntie van een overvloed aan processen te verhogen, van chemie tot elektronica", legt Maccaferri uit. Binnen de digitale strategie van de Universiteit van Luxemburg, machine learning-benaderingen zullen in deze richting helpen.

"Deze methodologieën kunnen experimentatoren helpen sneller vooruitgang te boeken bij het ontwerpen van experimenten en bij het verwerken en interpreteren van hun gegevens." met behulp van machine learning kunnen we de grote hoeveelheid informatie analyseren en verwerken die is gecodeerd in de optische spectra van nanostructuren die we in ons laboratorium bestuderen, waardoor een quasi-foutloze gegevensuitlezing mogelijk wordt. Tegelijkertijd, we kunnen deze gegevens gebruiken voor het inverse ontwerp en de optimalisatie van fotonische nanostructuren die kunnen worden gebruikt voor het ontwikkelen van post-CMOS-apparaten en -systemen buiten de von Neumann-architecturen. In dit paradigma verschuiven de golfaard van licht en gerelateerde inherente operaties, zoals interferentie en diffractie, kan een belangrijke rol spelen bij het verbeteren van de rekencapaciteit van machine learning-benaderingen, " zegt Maccaferri, die ook gaat samenwerken met theoretici en datawetenschappers van de universiteit om nieuwe methodieken te ontwikkelen om de snelheid waarmee elektronische componenten werken te verbeteren.