Une équipe de recherche de l'Université de Tokyo a développé un puissant algorithme d'apprentissage automatique qui prédit les propriétés et les structures d'échantillons inconnus à partir d'un spectre électronique. Ce processus peut accélérer rapidement le processus de découverte et de test de nouvelles nanomachines, cellules solaires, et autres appareils électroniques.

Les tricordeurs sont des appareils fictifs vus pour la première fois dans l'émission télévisée originale Star Trek. Dans ce décor de science-fiction, les scientifiques pourraient instantanément en apprendre davantage sur les roches des planètes extraterrestres avec un balayage rapide. Des chercheurs de l'Université de Tokyo ont fait un pas en avant pour faire de ce concept une réalité. Ils ont utilisé les données de la spectroscopie électronique à perte de cœur, 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. Cependant, les résultats de ces instruments sont difficiles à interpréter. Pour surmonter ce problème, ils se sont tournés vers l'apprentissage automatique. Contrairement aux programmes informatiques classiques, les algorithmes d'apprentissage automatique n'ont pas besoin de savoir quels modèles rechercher. Au lieu, les algorithmes sont entraînés en saisissant de nombreux exemples, et au fil du temps, le programme apprend à classer de nouveaux échantillons inconnus.

Ici, les chercheurs ont choisi un réseau de neurones qui imite l'organisation du cerveau humain. Les données de 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 de dispositifs nanométriques, les outils pour comprendre les structures moléculaires deviennent de plus en plus précieux."

Bien qu'il soit encore loin d'un tricordeur capable d'identifier instantanément les formations rocheuses extraterrestres, L'auteur principal Teruyasu Mizoguchi estime que "cette méthode a un énorme potentiel d'utilisation pour tester rapidement les propriétés de nouveaux matériaux".