L'apprendimento automatico è un ramo importante nel campo dell'intelligenza artificiale. La sua idea di base è costruire un modello statistico basato sui dati e utilizzare il modello per analizzare e prevedere i dati. Con il rapido sviluppo della tecnologia dei big data, algoritmi di apprendimento automatico basati sui dati hanno iniziato a prosperare in vari campi della ricerca sui materiali.

Recentemente, un gruppo di ricerca guidato dal Prof. Wang Jun dell'Istituto di ottica e meccanica fine di Shanghai dell'Accademia cinese delle scienze (CAS) ha proposto un metodo di riconoscimento per distinguere il film continuo monostrato e le aree difettose casuali di due dimensioni (2-D) semiconduttori utilizzando il metodo di apprendimento automatico con segnali Raman.

Il loro lavoro ha rivelato il potenziale applicativo degli algoritmi di apprendimento automatico nel campo della spettroscopia dei materiali 2-D, ed è stato pubblicato su Nanomaterials.

Lo spettro Raman dei materiali 2-D è molto sensibile al legame molecolare e alla struttura del campione, e può essere utilizzato per la ricerca e l'analisi dell'identificazione chimica, morfologia e fase, pressione/stress interno, e composizione. Sebbene la spettroscopia Raman fornisca informazioni sufficienti, come estrarre la profondità delle informazioni e utilizzare più informazioni per prendere decisioni complete richiede ancora ulteriori ricerche.

In questo studio, i ricercatori hanno utilizzato varie informazioni sulle caratteristiche tra cui la frequenza Raman e l'intensità di MoS2. Hanno usato il processo di campionamento bootstrap per ottenere insiemi di sub-training contenenti diverse informazioni sulla posizione spaziale, e ha stabilito un modello forestale casuale composto da un certo numero di decisioni attraverso la procedura di apprendimento.

Quando un nuovo punto campione entra nel modello per la previsione e il giudizio, ogni albero decisionale nella foresta casuale emetterà giudizi indipendenti, e quindi fornire risultati di previsione relativamente accurati attraverso il voto a maggioranza. Oltre a giudicare i campioni monostrato e bistrato, il modello può anche prevedere crepe e nuclei distribuiti casualmente che vengono facilmente introdotti durante la crescita del campione.

Il programma di ricerca proposto in questo lavoro introduce algoritmi di machine learning nello studio della spettroscopia bidimensionale dei materiali, e può essere esteso ad altri materiali, fornendo importanti soluzioni per la caratterizzazione dei materiali in diversi campi.