本所声明  |  联系方式  |  中国科学院  |  数字认证(OA)   |  ARP  |  English  |  邮箱

超强激光科学卓越创新简报

(第一百五十三期)

2020年11月23日

上海光机所提出了对二维材料光谱学进行机器学习研究的新方案

  近期,中国科学院上海光学精密机械研究所微纳光电子功能材料实验室在利用随机森林算法实现二维材料层数和缺陷识别方面取得新进展,揭示了机器学习算法在二维材料光谱学研究领域的应用潜力,相关工作发表在[ Nanomaterials 2020, 10, 2223 ]。

  机器学习是人工智能领域的一个重要分支,其基本思想是基于数据构建统计模型,并利用模型对数据进行分析和预测。随着大数据技术的飞速发展,以数据驱动的机器学习算法在材料研究的各个领域开始蓬勃兴起。二维材料的Raman光谱对于分子键合以及样品的结构非常敏感,可以用来进行化学鉴别、形态与相、内压力/应力以及组成成份等方面的研究和分析。尽管Raman光谱提供了足够多的信息,但如何挖掘信息深度、利用多种信息进行综合决策仍然有待进一步的研究。

  在这项研究中,科研人员利用了MoS2的Raman频率、强度在内的多种特征信息,利用重采样过程得到了包含不同空间位置信息的子训练集,并通过学习过程建立了由一定数量决策树组成的随机森林模型。当有新的样本点进入模型进行预测和判断时,随机森林中的每棵决策树会进行独立判断,继而通过多数表决的方式给出相对准确的预测结果。除了能够判断单层和双层样品外,模型还能够对样品生长过程中容易引入的裂痕和随机分布晶核进行预测。这项工作提出的研究方案将机器学习算法引入了二维材料光谱学的研究,并且可以扩展到其他材料,为不同领域的材料表征提供了重要解决方案。

  相关工作得到了国家自然科学基金委、中国科学院,及上海市科委的支持。(微纳光电子功能材料实验室供稿)

  原文链接

图1 随机森林算法中学习过程的基本结构

图2 随机森林算法中预测过程的基本结构和一些区域层数识别的结果

附件下载: