p O aprendizado de máquina é um ramo importante no campo da inteligência artificial. Sua ideia básica é construir um modelo estatístico baseado em dados e usar o modelo para analisar e prever os dados. Com o rápido desenvolvimento da tecnologia de big data, algoritmos de aprendizado de máquina baseados em dados começaram a florescer em vários campos de pesquisa de materiais. p Recentemente, uma equipe de pesquisa liderada pelo Prof. Wang Jun do Instituto de Óptica e Mecânica Fina de Xangai da Academia Chinesa de Ciências (CAS) propôs um método de reconhecimento para distinguir o filme contínuo de monocamada e áreas de defeitos aleatórios bidimensionais (2-D) semicondutores usando o método de aprendizado de máquina com sinais Raman.

p Seu trabalho revelou o potencial de aplicação de algoritmos de aprendizado de máquina no campo da espectroscopia de materiais 2-D, e foi publicado na Nanomaterials.

p O espectro Raman de materiais 2-D é muito sensível à ligação molecular e à estrutura da amostra, e pode ser usado para pesquisa e análise de identificação química, morfologia e fase, pressão / estresse interno, e composição. Embora a espectroscopia Raman forneça informações suficientes, como extrair a profundidade das informações e usar várias informações para tomar decisões abrangentes ainda precisa de mais pesquisas.

p Neste estudo, os pesquisadores usaram várias informações de recursos, incluindo a frequência Raman e a intensidade de MoS2. Eles usaram o processo de amostragem bootstrap para obter conjuntos de sub-treinamento contendo diferentes informações de localização espacial, e estabeleceu um modelo de floresta aleatório composto por um certo número de decisões através do processo de aprendizagem.

p Quando um novo ponto de amostra entra no modelo para previsão e julgamento, cada árvore de decisão na floresta aleatória fará julgamentos independentes, e, em seguida, fornecer resultados de previsão relativamente precisos por meio da votação por maioria. Além de julgar as amostras de monocamada e bicamada, o modelo também pode prever rachaduras e núcleos distribuídos aleatoriamente que são facilmente introduzidos durante o crescimento da amostra.

p O programa de pesquisa proposto neste trabalho introduz algoritmos de aprendizado de máquina no estudo da espectroscopia de material bidimensional, e pode ser estendido a outros materiais, fornecendo soluções importantes para a caracterização de materiais em diferentes campos.