p Uma equipe internacional de cientistas, incluindo físicos da Universidade de Luxemburgo, relataram um ponto de vista abrangente sobre como as abordagens de aprendizado de máquina podem ser usadas em nanociência para analisar e extrair novos insights de grandes conjuntos de dados, e acelerar a descoberta de materiais, e para orientar o projeto experimental. Além disso, eles discutem alguns dos principais desafios físicos por trás da realização de dispositivos memristivos sob medida para aprendizado de máquina. p Os pesquisadores publicaram uma Mini Review em Nano Letras . O artigo foi produzido em cooperação com pesquisadores da Universidade de Boston, a Universidade da Pensilvânia, o Laboratório de Pesquisa Naval dos EUA, e o Centro Interuniversitário de Microeletrônica (Bélgica), o centro de P&D e inovação líder mundial em nanoeletrônica e tecnologias digitais.

p Na nanociência, experimentos de alto rendimento possibilitados pelo tamanho pequeno e rápido das amostras em nanoescala, ferramentas de imagem de alta resolução estão se tornando cada vez mais difundidas. Por exemplo, Na nanofotônica e nas propriedades do material de catálise, as propriedades têm variado sistematicamente no mesmo substrato do tamanho de uma bolacha e caracterizadas localmente usando sonda de varredura de alta resolução e técnicas de microespectroscopia óptica ou eletrônica. Esses ou métodos semelhantes podem gerar conjuntos de dados que são muito vastos e complexos para os pesquisadores analisarem mentalmente sem assistência computacional; ainda, esses dados são ricos em relações que os pesquisadores gostariam de entender. Nesta estrutura, o aprendizado de máquina permite que os pesquisadores analisem grandes conjuntos de dados por modelos de treinamento que podem ser usados ​​para classificar as observações em grupos discretos, aprender quais recursos determinam uma métrica de desempenho, ou prever o resultado de novos experimentos. Além disso, o aprendizado de máquina pode ajudar os pesquisadores a projetar experimentos para otimizar o desempenho ou testar hipóteses de maneira mais eficaz.

p "Da nanooptoeletrônica, para catálise, para a interface bio-nano, o aprendizado de máquina está remodelando a forma como os pesquisadores coletam, analisar, e interpretar seus dados, "diz Nicolò Maccaferri, Pesquisador do Departamento de Física e Ciência dos Materiais (DPHYMS) da Universidade de Luxemburgo.

p "Nos próximos anos, a ciência baseada em dados será fundamental para a descoberta e o design de novos materiais que podem nos ajudar a aumentar a eficiência de uma infinidade de processos, da química à eletrônica ", explica Maccaferri. Dentro da estratégia digital da Universidade de Luxemburgo, abordagens de aprendizado de máquina ajudarão nessa direção.

p “Essas metodologias podem ajudar os experimentalistas a avançar mais rapidamente no planejamento de experimentos e a processar e interpretar seus dados.” Em nosso caso particular, usando o aprendizado de máquina, podemos analisar e processar a grande quantidade de informações codificadas no espectro óptico de nanoestruturas que estudamos em nosso laboratório, permitindo assim a leitura de dados quase livre de erros. Ao mesmo tempo, podemos usar esses dados para o projeto inverso e otimização de nanoestruturas fotônicas que podem ser usados ​​para desenvolver dispositivos e sistemas pós-CMOS além das arquiteturas de von Neumann. Nesta mudança de paradigma, a natureza ondulatória da luz e as operações inerentes relacionadas, como interferência e difração, pode desempenhar um papel importante no aumento da taxa de transferência computacional de abordagens de aprendizado de máquina, "diz Maccaferri, que também colaborará com teóricos e cientistas de dados na universidade para desenvolver novas metodologias para melhorar a velocidade com que os componentes eletrônicos funcionam.