Une équipe internationale de scientifiques, dont des physiciens de l'Université du Luxembourg, ont présenté un point de vue complet sur la façon dont les approches d'apprentissage automatique peuvent être utilisées en nanoscience pour analyser et extraire de nouvelles informations à partir de grands ensembles de données, et accélérer la découverte de matériaux, et pour guider la conception expérimentale. De plus, ils discutent de certains des principaux défis physiques derrière la réalisation de dispositifs memristifs sur mesure pour l'apprentissage automatique.

Les chercheurs ont publié une mini-revue dans Lettres nano . L'article a été produit en coopération avec des chercheurs de l'Université de Boston, l'Université de Pennsylvanie, le laboratoire de recherche naval américain, et le Centre Interuniversitaire de Microélectronique (Belgique), le premier pôle mondial de R&D et d'innovation en nanoélectronique et technologies numériques.

En nanosciences, des expériences à haut débit permises par la petite taille des échantillons à l'échelle nanométrique et rapide, les outils d'imagerie à haute résolution sont de plus en plus répandus. Par exemple, en nanophotonique et en catalyse, les propriétés des matériaux ont été systématiquement modifiées sur le même substrat de la taille d'une plaquette et caractérisées localement à l'aide d'une sonde à balayage haute résolution et de techniques de micro-spectroscopie optique ou électronique. Ces méthodes ou des méthodes similaires peuvent générer des ensembles de données trop vastes et complexes pour que les chercheurs puissent les analyser mentalement sans aide informatique ; encore, ces données sont riches en relations que les chercheurs aimeraient comprendre. Dans ce cadre, l'apprentissage automatique permet aux chercheurs d'analyser de grands ensembles de données en formant des modèles qui peuvent être utilisés pour classer les observations en groupes discrets, apprendre quelles fonctionnalités déterminent une mesure de performance, ou prédire le résultat de nouvelles expériences. Par ailleurs, L'apprentissage automatique peut aider les chercheurs à concevoir des expériences pour optimiser les performances ou tester des hypothèses plus efficacement.

« De la nano-optoélectronique, à la catalyse, à l'interface bio-nano, l'apprentissage automatique redéfinit la façon dont les chercheurs collectent, analyser, et interpréter leurs données, " dit Nicolò Maccaferri, Chercheur au Département de Physique et Science des Matériaux (DPHYMS) de l'Université du Luxembourg.

« Dans les années à venir, la science axée sur les données sera fondamentale pour la découverte et la conception de nouveaux matériaux qui peuvent nous aider à augmenter l'efficacité d'une pléthore de processus, de la chimie à l'électronique" explique Maccaferri. Dans le cadre de la stratégie numérique de l'Université du Luxembourg, Les approches d'apprentissage automatique aideront dans cette direction.

"Ces méthodologies peuvent aider les expérimentateurs à progresser plus rapidement dans la conception d'expériences et à traiter et interpréter leurs données. "Dans notre cas particulier, grâce au machine learning, nous pouvons analyser et traiter la grande quantité d'informations encodées dans les spectres optiques des nanostructures que nous étudions dans notre laboratoire, permettant ainsi une lecture des données quasi sans erreur. À la fois, nous pouvons utiliser ces données pour la conception inverse et l'optimisation de nanostructures photoniques qui peuvent être utilisées pour développer des dispositifs et des systèmes post-CMOS au-delà des architectures de von Neumann. Dans ce changement de paradigme, la nature ondulatoire de la lumière et les opérations inhérentes associées, comme l'interférence et la diffraction, peut jouer un rôle majeur dans l'amélioration du débit de calcul des approches d'apprentissage automatique, " dit Maccaferri, qui collaborera également avec des théoriciens et des data scientists de l'université pour développer de nouvelles méthodologies permettant d'améliorer la vitesse de fonctionnement des composants électroniques.