Zu meinen Favoriten hinzufügen
Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten,
klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Das maschinelle Lernen zeigt eine schnelle Materialklassifizierung
{{{sourceTextContent.subTitle}}}
Forscher sehen in dieser Methode ein enormes Potenzial für die schnelle Prüfung der Eigenschaften neuer Materialien.
{{{sourceTextContent.description}}}
Ein Forschungsteam der Universität Tokio entwickelte einen leistungsfähigen maschinellen Lernalgorithmus, der die Eigenschaften und Strukturen unbekannter Proben aus einem Elektronenspektrum vorhersagt. Dieser Prozess kann den Prozess der Entdeckung und Erprobung neuer Nanomaschinen, Solarzellen und anderer elektronischer Geräte schnell beschleunigen.
Tricorder sind fiktive Geräte, die erstmals in der ursprünglichen Star Trek Fernsehsendung zu sehen sind. In dieser Science-Fiction-Umgebung konnten Wissenschaftler sofort mit einem schnellen Scan etwas über die Gesteine auf fremden Planeten erfahren. Forscher der University of Tokyo haben einen Schritt getan, um dieses Konzept zu verwirklichen. Sie verwendeten Daten aus der Kernverlust-Elektronenspektroskopie, eine Reihe von Standardlabortests, die Elektronen an eine Probe senden, um die darin enthaltenen Atomelemente und ihre Bindungsstruktur zu bestimmen. Die Ergebnisse dieser Instrumente sind jedoch schwer zu interpretieren. Um dieses Problem zu lösen, wandten sie sich dem maschinellen Lernen zu. Im Gegensatz zu herkömmlichen Computerprogrammen müssen maschinelle Lernalgorithmen nicht gesagt werden, welche Muster zu suchen sind. Stattdessen werden die Algorithmen durch Eingabe vieler Beispiele trainiert, und im Laufe der Zeit lernt das Programm, wie man neue unbekannte Proben klassifiziert.
Hier wählten die Forscher ein neuronales Netzwerk, das die Organisation des menschlichen Gehirns nachahmt. Daten von bekannten Materialien werden als Input gesendet, und die Verbindungen zwischen Neuronen werden angepasst, um die Vorhersagen des Modells zu optimieren. Laut Erstautor Shin Kiyohara "werden mit der steigenden Nachfrage nach nanoskaligen Geräten Werkzeuge zum Verständnis molekularer Strukturen immer wertvoller"
Obwohl noch weit entfernt von einem Tricorder, der fremde Gesteinsformationen sofort identifizieren kann, glaubt der Hauptautor Teruyasu Mizoguchi, dass "diese Methode ein enormes Potenzial für die schnelle Prüfung der Eigenschaften neuer Materialien hat"