卢森堡大学 学分:卢森堡大学 包括卢森堡大学物理学家在内的一个国际科学家团队报告了一个综合观点，即机器学习方法如何用于纳米科学，以分析和从大型数据集提取新的见解，加速材料发现，并指导实验设计
此外，他们还讨论了为机器学习定制忆阻设备背后的一些主要物理挑战
研究人员在《纳米快报》上发表了一篇迷你评论
这篇文章是与波士顿大学、宾夕法尼亚大学、美国海军研究实验室和大学间微电子中心(比利时)的研究人员合作完成的，比利时是世界领先的R&D，也是纳米电子学和数字技术的创新中心
在纳米科学中，由小尺寸纳米样品和快速、高分辨率成像工具实现的高通量实验正变得越来越普遍
例如，在纳米光子学和催化中，材料性质在相同的晶片大小的衬底上系统地变化，并使用高分辨率扫描探针和光学或电子显微光谱技术进行局部表征
这些或类似的方法可以生成过于庞大和复杂的数据集，以至于研究人员在没有计算帮助的情况下无法进行心理解析；然而，这些数据包含了研究者想要了解的丰富关系
在这个框架中，机器学习使研究人员能够通过训练模型来分析大型数据集，这些模型可用于将观察结果分为离散组，学习哪些特征决定了性能指标，或者预测新实验的结果
此外，机器学习可以帮助研究人员设计实验，以优化性能或更有效地测试假设
“从纳米光电子学，到催化，到生物纳米界面，机器学习正在重塑研究人员收集、分析和解释数据的方式，”卢森堡大学物理与材料科学系的研究员尼科洛·麦克弗里说
“在接下来的几年里，数据驱动的科学将是发现和设计新材料的基础，这可以帮助我们提高从化学到电子等众多过程的效率，”麦卡弗里解释道
在卢森堡大学的数字战略中，机器学习方法将有助于这一方向
“这些方法可以帮助实验学家更快地设计实验，处理和解释他们的数据
“在我们的特殊情况下，使用机器学习，我们可以分析和处理我们在实验室研究的纳米结构光谱中编码的大量信息，从而实现准无误差的数据读出
与此同时，我们可以将这些数据用于光子纳米结构的逆向设计和优化，从而开发出超越冯·诺依曼架构的后互补金属氧化物半导体器件和系统
在这种范式转变中，光的波动性质和相关的内在操作，如干涉和衍射，可以在提高机器学习方法的计算吞吐量方面发挥重要作用，”麦卡弗里说，他还将与该大学的理论家和数据科学家合作，开发新的方法来提高电子元件的工作速度
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
