Suscríbete al newsletter The NewNow

Y te mantendremos al tanto de los últimos artículos y noticias

Los campos marcados con * son obligatorios

Big Data en nanociencia con aprendizaje automático

Los avances recientes en el aprendizaje automático (ML) ofrecen nuevas herramientas para extraer nuevos conocimientos del Big Data y adquirir conjuntos de datos pequeños de manera más efectiva. Los investigadores en nanociencia están experimentando con estas herramientas para abordar los desafíos en muchos campos. Además del avance de la nanociencia de Machine Learning, la nanociencia proporciona la base para el hardware informático neuromórfico para expandir la implementación de algoritmos de ML.

Un equipo internacional de científicos, incluidos, físicos de la Universidad de Luxemburgo, han publicado un nuevo punto de vista sobre cómo los enfoques de aprendizaje automático pueden usarse en Nanociencia para analizar y extraer nuevos conocimientos de grandes conjuntos de datos, y acelerar el descubrimiento de materiales y guiar el diseño experimental. Además, analizan algunos de los principales desafíos físicos detrás de la realización de dispositivos de memoria adaptados para el aprendizaje automático.

En nanociencia, los experimentos de alto rendimiento habilitados por el pequeño tamaño de las muestras a nanoescala y las herramientas de imágenes rápidas y de alta resolución se están generalizando cada vez más. Por ejemplo, en nanofotónica y material de catálisis, las propiedades han variado sistemáticamente en el mismo sustrato del tamaño de una oblea y se han caracterizado utilizando una sonda de exploración de alta resolución y técnicas de microespectroscopía óptica o electrónica.

Estos métodos o similares pueden generar conjuntos de datos que son demasiado vastos y complejos para que los investigadores analicen mentalmente sin asistencia computacional.

Sin embargo, estos datos son ricos en relaciones que los investigadores desean entender. En este marco, el aprendizaje automático permite a los investigadores analizar grandes conjuntos de datos mediante modelos de entrenamiento que pueden usarse para clasificar observaciones en grupos sencillos, aprender qué características determinan una métrica de rendimiento o predecir el resultado de nuevos experimentos. Además, el aprendizaje automático puede ayudar a los investigadores a diseñar experimentos para optimizar el rendimiento o probar hipótesis de manera más efectiva.

«Desde la nano-optoelectrónica hasta la catálisis y la interfaz bio-nano, el aprendizaje automático está cambiando la forma en que los investigadores recopilan, analizan e interpretan sus datos»  —dice Nicolò Maccaferri, investigador del Departamento de Física y Ciencia de los Materiales (DPHYMS) del Universidad de Luxemburgo— «En los próximos años, la ciencia basada en datos será fundamental para el descubrimiento y el diseño de nuevos materiales que puedan ayudarnos a aumentar la eficiencia de una gran cantidad de procesos, desde la química hasta la electrónica».

Dentro de la estrategia digital de la Universidad de Luxemburgo, los enfoques de aprendizaje automático ayudarán en esta dirección.

Aplicaciones para la investigación de nanoestructruras

«Estas metodologías pueden ayudar a los investigadores a avanzar más rápido en el diseño de experimentos y procesar e interpretar sus datos. En nuestro caso particular, mediante el aprendizaje automático podemos analizar y procesar gran cantidad de información codificada en los espectros ópticos de las nanoestructuras que estudiamos en nuestro laboratorio, permitiendo así una lectura de datos casi libre de errores. Al mismo tiempo, podemos usar estos datos para el diseño inverso y la optimización de nanoestructuras fotónicas que pueden usarse para desarrollar dispositivos y sistemas post-CMOS más allá de las arquitecturas de von Neumann. En este cambio de paradigma, la naturaleza ondulatoria de la luz y las operaciones inherentes relacionadas, como la interferencia y la difracción, pueden desempeñar un papel importante en la mejora del rendimiento computacional de los enfoques de aprendizaje automático», dice Maccaferri, quien también colaborará con teóricos y científicos de datos en la universidad para desarrollar nuevas metodologías que mejoren la velocidad con la que funcionan los componentes electrónicos.

Los investigadores han publicado una Mini Revisión en Nano Letters. El artículo fue producido en cooperación con investigadores de la Universidad de Boston, la Universidad de Pensilvania, el Laboratorio de Investigación Naval de EE. UU, y el Centro Interuniversitario de Microelectrónica (Bélgica), el centro líder mundial de I+D e innovación en nanoelectrónica y tecnologías digitales.

Publicación: Machine Learning in Nanoscience: Big Data at Small Scales, Nano Letters, January 2020.