Aggiungi ai preferiti
Vedi traduzione automatica
Questa è una traduzione automatica. Per vedere il testo originale in inglese
cliccare qui
#News
{{{sourceTextContent.title}}}
L'apprendimento automatico rivela una rapida classificazione dei materiali
{{{sourceTextContent.subTitle}}}
I ricercatori ritengono che questo metodo abbia un enorme potenziale di utilizzo per testare rapidamente le proprietà dei nuovi materiali.
{{{sourceTextContent.description}}}
Un team di ricerca dell'Università di Tokyo ha sviluppato un potente algoritmo di apprendimento automatico che prevede le proprietà e le strutture di campioni sconosciuti da uno spettro elettronico. Questo processo può accelerare rapidamente il processo di scoperta e sperimentazione di nuove nanomacchine, celle solari e altri dispositivi elettronici.
I tricorder sono dispositivi di fantasia visti per la prima volta nell'originale show televisivo di Star Trek. In questa ambientazione fantascientifica, gli scienziati hanno potuto immediatamente conoscere le rocce su pianeti alieni con una rapida scansione. I ricercatori dell'Università di Tokyo hanno fatto un passo avanti verso la realizzazione di questo concetto. Hanno usato i dati della spettroscopia elettronica a perdita di nucleo, una serie di test di laboratorio standard che inviano elettroni ad un campione per determinare gli elementi atomici in esso contenuti e la loro struttura di legame. Tuttavia, i risultati di questi strumenti sono difficili da interpretare. Per superare questo problema, si sono rivolti all'apprendimento automatico. A differenza dei programmi per computer convenzionali, gli algoritmi di apprendimento automatico non hanno bisogno di essere informati sui modelli da cercare. Invece, gli algoritmi vengono addestrati inserendo molti esempi, e nel tempo il programma impara a classificare nuovi campioni sconosciuti.
Qui, i ricercatori hanno scelto una rete neurale che imita l'organizzazione del cervello umano. I dati provenienti da materiali noti vengono inviati come input e le connessioni tra i neuroni vengono regolate per ottimizzare le previsioni del modello. Secondo il primo autore Shin Kiyohara, "con la crescente domanda di dispositivi su scala nanometrica, gli strumenti per la comprensione delle strutture molecolari stanno diventando sempre più preziosi"
Anche se ancora molto lontano da un tricorder che può immediatamente identificare formazioni rocciose aliene, l'autore principale Teruyasu Mizoguchi ritiene che "questo metodo ha un enorme potenziale per l'uso nel testare rapidamente le proprietà dei nuovi materiali"