I ricercatori della Tohoku University hanno sviluppato un approccio basato sull’apprendimento profondo che semplifica la classificazione accurate di materiali bidimensionali (2D).
Una nuova tecnica basata sull’apprendimento profondo semplifica l’identificazione e la classificazione accurate di materiali bidimensionali (2D) tramite spettroscopia Raman. Al confronto, i metodi tradizionali di analisi Raman sono lenti e richiedono un’interpretazione soggettiva manuale. Questo nuovo metodo, ideato dall’Advanced Institute for Materials Research (AIMR) della Tohoku University, accelererà lo sviluppo e l’analisi di materiali 2D, che vengono utilizzati in una varietà di applicazioni come l’elettronica e le tecnologie mediche.
“A volte, abbiamo solo pochi campioni del materiale 2D che vogliamo studiare o risorse limitate per effettuare più misurazioni, quindi i dati spettrali tendono a essere limitati e distribuiti in modo non uniforme. Abbiamo cercato un modello generativo che avrebbe migliorato tali set di dati. In sostanza, riempie gli spazi vuoti per noi” afferma Yaping Qi, ricercatore principale dell’Università di Tohoku, in Giappone.
I dati spettrali di sette diversi materiali bidimensionali e tre distinte combinazioni sovrapposte sono stati inseriti nel modello di apprendimento. Il team di ricercatori ha introdotto un innovativo framework di data augmentation utilizzando Denoising Diffusion Probabilistic Models (DDPM) per generare dati sintetici aggiuntivi e affrontare queste sfide.
Per questo tipo di modello, il rumore viene aggiunto ai dati originali per migliorare il set di dati, quindi il modello impara a lavorare all’indietro e rimuovere questo rumore per generare un nuovo output coerente con la distribuzione dei dati originale. Associando questo set di dati aumentato a una rete neurale convoluzionale (CNN) a quattro strati, il team di ricerca ha raggiunto un’accuratezza di classificazione del 98,8% sul set di dati originale e, in particolare, un’accuratezza del 100% con i dati aumentati.
Questo approccio automatizzato non solo migliora le prestazioni di classificazione, ma riduce anche la necessità di intervento manuale, migliorando l’efficienza e la scalabilità della spettroscopia Raman per l’identificazione di materiali 2D. “Questo metodo fornisce una soluzione robusta e automatizzata per l’analisi ad alta precisione di materiali 2D. L’integrazione di tecniche di deep learning promette molto per la ricerca scientifica sui materiali e il controllo di qualità industriale, dove un’identificazione affidabile e rapida è fondamentale” riassume Qi.
Lo studio presenta la prima applicazione di DDPM nella generazione di dati spettrali Raman, aprendo la strada a un’analisi spettroscopica automatizzata più efficiente. Questo approccio consente una caratterizzazione precisa dei materiali anche quando i dati sperimentali sono scarsi o difficili da ottenere. In definitiva, ciò può consentire alla ricerca svolta in laboratorio di trasformarsi in un prodotto reale che i consumatori possono acquistare nei negozi in un processo molto più fluido.
Foto Yaping Qi et al.
