Ajouter à mes favoris
Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais
cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
L'apprentissage machine révèle une classification rapide des matériaux
{{{sourceTextContent.subTitle}}}
Les chercheurs croient que cette méthode a un énorme potentiel pour tester rapidement les propriétés des nouveaux matériaux.
{{{sourceTextContent.description}}}
Une équipe de chercheurs de l'Université de Tokyo a mis au point un puissant algorithme d'apprentissage automatique qui prédit les propriétés et les structures d'échantillons inconnus d'un spectre d'électrons. Ce processus peut accélérer rapidement le processus de découverte et de mise à l'essai de nouvelles nanomachines, de cellules solaires et d'autres dispositifs électroniques.
Les tricordeurs sont des appareils fictifs vus pour la première fois dans l'émission de télévision originale Star Trek. Dans ce décor de science-fiction, les scientifiques pourraient instantanément en apprendre davantage sur les roches des planètes extraterrestres au moyen d'un balayage rapide. Les chercheurs de l'Université de Tokyo ont fait un pas vers la réalisation de ce concept. Ils ont utilisé les données de la spectroscopie électronique de perte d'électrons dans le noyau, un ensemble de tests de laboratoire standard qui envoient des électrons à un échantillon pour déterminer les éléments atomiques qu'il contient et leur structure de liaison. Toutefois, les résultats de ces instruments sont difficiles à interpréter. Pour surmonter ce problème, ils se sont tournés vers l'apprentissage machine. Contrairement aux programmes informatiques conventionnels, les algorithmes d'apprentissage automatique n'ont pas besoin d'être informés des modèles à rechercher. Au lieu de cela, les algorithmes sont formés en entrant de nombreux exemples, et au fil du temps, le programme apprend à classer de nouveaux échantillons inconnus.
Ici, les chercheurs ont choisi un réseau neuronal qui imite l'organisation du cerveau humain. Les données des matériaux connus sont envoyées en entrée, et les connexions entre les neurones sont ajustées pour optimiser les prédictions du modèle. Selon le premier auteur, Shin Kiyohara, "avec la demande croissante d'appareils à l'échelle nanométrique, les outils de compréhension des structures moléculaires deviennent de plus en plus précieux"
Bien qu'encore loin d'un tricordeur capable d'identifier instantanément les formations rocheuses exotiques, l'auteur principal Teruyasu Mizoguchi estime que " cette méthode a un énorme potentiel pour tester rapidement les propriétés des nouveaux matériaux "