Un team internazionale di scienziati, tra cui fisici dell'Università del Lussemburgo, hanno riportato un punto di vista completo su come gli approcci di apprendimento automatico possono essere utilizzati nelle nanoscienze per analizzare ed estrarre nuove intuizioni da grandi set di dati, e accelerare la scoperta materiale, e per guidare la progettazione sperimentale. Inoltre, discutono alcune delle principali sfide fisiche alla base della realizzazione di dispositivi memristivi su misura per l'apprendimento automatico.

I ricercatori hanno pubblicato una Mini Review in Nano lettere . L'articolo è stato prodotto in collaborazione con i ricercatori dell'Università di Boston, l'Università della Pennsylvania, il Laboratorio di Ricerca Navale degli Stati Uniti, e il Centro Interuniversitario di Microelettronica (Belgio), il polo di ricerca e sviluppo e innovazione leader a livello mondiale nella nanoelettronica e nelle tecnologie digitali.

Nella nanoscienza, esperimenti ad alto rendimento consentiti dalle piccole dimensioni dei campioni su scala nanometrica e dalla rapida, gli strumenti di imaging ad alta risoluzione stanno diventando sempre più diffusi. Per esempio, nella nanofotonica e nella catalisi le proprietà dei materiali sono state sistematicamente variate attraverso lo stesso substrato delle dimensioni di un wafer e caratterizzate localmente utilizzando sonde di scansione ad alta risoluzione e tecniche di microspettroscopia ottica o elettronica. Questi o metodi simili possono generare set di dati troppo vasti e complessi per essere analizzati mentalmente dai ricercatori senza assistenza computazionale; ancora, questi dati sono ricchi di relazioni che i ricercatori vorrebbero comprendere. In questo quadro, l'apprendimento automatico consente ai ricercatori di analizzare grandi set di dati addestrando modelli che possono essere utilizzati per classificare le osservazioni in gruppi discreti, apprendere quali caratteristiche determinano una metrica di rendimento, o prevedere l'esito di nuovi esperimenti. Per di più, l'apprendimento automatico può aiutare i ricercatori a progettare esperimenti per ottimizzare le prestazioni o testare ipotesi in modo più efficace.

"Dalla nano-optoelettronica, alla catalisi, all'interfaccia bio-nano, l'apprendimento automatico sta rimodellando il modo in cui i ricercatori raccolgono, analizzare, e interpretare i loro dati, "dice Nicolò Maccaferri, Ricercatore presso il Dipartimento di Fisica e Scienza dei Materiali (DPHYMS) dell'Università del Lussemburgo.

"Nei prossimi anni, la scienza basata sui dati sarà fondamentale per la scoperta e la progettazione di nuovi materiali che possono aiutarci ad aumentare l'efficienza di una pletora di processi, dalla chimica all'elettronica" spiega Maccaferri. All'interno della strategia digitale dell'Università del Lussemburgo, gli approcci di apprendimento automatico aiuteranno in questa direzione.

"Queste metodologie possono aiutare gli sperimentatori ad avanzare più velocemente nella progettazione di esperimenti e nell'elaborare e interpretare i loro dati. "Nel nostro caso particolare, utilizzando l'apprendimento automatico possiamo analizzare ed elaborare la grande quantità di informazioni codificate negli spettri ottici delle nanostrutture che studiamo nel nostro laboratorio, consentendo così una lettura dei dati quasi priva di errori. Allo stesso tempo, possiamo utilizzare questi dati per la progettazione inversa e l'ottimizzazione di nanostrutture fotoniche che possono essere utilizzate per lo sviluppo di dispositivi e sistemi post-CMOS oltre le architetture di von Neumann. In questo paradigma cambia la natura ondulatoria della luce e le relative operazioni intrinseche, come interferenza e diffrazione, può svolgere un ruolo importante nel migliorare il throughput computazionale degli approcci di apprendimento automatico, "dice Maccaferri, che collaborerà anche con teorici e data scientist dell'università per sviluppare nuove metodologie per migliorare la velocità di funzionamento dei componenti elettronici.