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, datagestuurde algoritmen voor machinaal leren zijn begonnen te floreren in verschillende gebieden van materiaalonderzoek.

Onlangs, een onderzoeksteam onder leiding van prof. Wang Jun van het Shanghai Institute of Optics and Fine Mechanics van de Chinese Academie van Wetenschappen (CAS) stelde een herkenningsmethode voor om de monolaag continue film en willekeurige defectgebieden van tweedimensionaal (2-D) te onderscheiden halfgeleiders met behulp van de machine learning-methode met Raman-signalen.

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

Het Raman-spectrum van 2D-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/stress, en compositie. Hoewel Raman-spectroscopie voldoende informatie geeft, hoe je de diepte van informatie kunt ontginnen en meerdere informatie kunt gebruiken om uitgebreide beslissingen te nemen, moet nog verder worden onderzocht.

In dit onderzoek, de onderzoekers gebruikten verschillende functie-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 stelde een willekeurig bosmodel op dat is samengesteld uit een bepaald aantal beslissingen via de leerprocedure.

Wanneer een nieuw monsterpunt het model binnenkomt voor voorspelling en beoordeling, elke beslisboom in het willekeurige bos zal onafhankelijke oordelen vellen, en geef vervolgens relatief nauwkeurige voorspellingsresultaten door middel van meerderheidsstemming. Naast het beoordelen van de monolaag- en dubbellaagsmonsters, het model kan ook scheuren en willekeurig verdeelde kernen voorspellen die gemakkelijk kunnen worden geïntroduceerd tijdens monstergroei.

Het in dit werk voorgestelde onderzoeksprogramma introduceert algoritmen voor machinaal leren in de studie van tweedimensionale materiaalspectroscopie, en kan worden uitgebreid tot andere materialen, het bieden van belangrijke oplossingen voor materiaalkarakterisering op verschillende gebieden.