محققان رویکردی مبتنی بر یادگیری عمیق توسعه داده‌اند که شناسایی و طبقه‌بندی دقیق مواد دوبعدی (۲D) را از طریق طیف‌سنجی رامان به‌طور چشمگیری تسهیل می‌کند. در مقایسه با روش‌های سنتی که کند بوده و نیاز به تفسیر دستی و سلیقه‌ای دارند، این روش جدید سرعت توسعه و تحلیل مواد دوبعدی را افزایش می‌دهد. این مواد در کاربردهای مختلفی مانند الکترونیک و فناوری‌های پزشکی مورد استفاده قرار می‌گیرند.
یاپینگ جی، پژوهشگر ارشد این مطالعه از دانشگاه توهوکو می‌گوید: “گاهی اوقات فقط تعداد محدودی نمونه از ماده دوبعدی داریم که می‌خواهیم مطالعه کنیم، یا منابع محدودی برای انجام اندازه‌گیری‌های متعدد در اختیار داریم. به همین دلیل، داده‌های طیفی معمولاً محدود و به‌طور نامتقارن توزیع می‌شوند. ما به سمت مدلی مولد رفتیم که بتواند این داده‌ها را تکمیل کند. این مدل به‌طور اساسی فضاهای خالی را پر می‌کند.”
داده‌های طیفی مربوط به هفت ماده دوبعدی مختلف و سه ترکیب مختلف از این مواد در مدل یادگیری قرار گرفت. تیم تحقیقاتی چارچوب نوآورانه‌ای برای افزایش داده‌ها با استفاده از مدل‌های احتمال‌سنجی انتشار نویز (DDPM) معرفی کردند تا داده‌های مصنوعی اضافی تولید کرده و این چالش‌ها را برطرف کنند. در این نوع مدل، نویز به داده‌های اصلی افزوده می‌شود تا مجموعه داده‌ها گسترش یابد، سپس مدل یاد می‌گیرد که به‌طور معکوس عمل کرده و این نویز را حذف کند تا خروجی جدیدی تولید کند که با توزیع اصلی داده‌ها سازگار باشد.
با ترکیب این مجموعه داده‌های افزوده‌شده با یک شبکه عصبی پیچشی چهارلایه (CNN)، تیم تحقیقاتی به دقت طبقه‌بندی ۹۸.۸٪ در مجموعه داده اصلی و دقت ۱۰۰٪ در داده‌های افزوده‌شده دست یافت. این رویکرد خودکار نه‌تنها عملکرد طبقه‌بندی را بهبود می‌بخشد بلکه نیاز به مداخله دستی را کاهش داده و کارآیی و مقیاس‌پذیری طیف‌سنجی رامان برای شناسایی مواد دوبعدی را افزایش می‌دهد.
یاپینگ جی در پایان توضیح می‌دهد: “این روش یک راه‌حل قوی و خودکار برای تحلیل دقیق مواد دوبعدی فراهم می‌کند. ادغام تکنیک‌های یادگیری عمیق پتانسیل زیادی برای پژوهش‌های علم مواد و کنترل کیفیت صنعتی دارد، جایی که شناسایی سریع و دقیق اهمیت زیادی دارد.”
این مطالعه نخستین کاربرد مدل DDPM در تولید داده‌های طیفی رامان را ارائه می‌دهد و گامی به سوی تحلیل طیف‌سنجی خودکار و کارآمدتر است. این رویکرد امکان شناسایی دقیق مواد حتی در مواقعی که داده‌های تجربی کم یا دشوار برای به‌دست آوردن باشند را فراهم می‌آورد. در نهایت، این پیشرفت می‌تواند فرایند تبدیل تحقیقات آزمایشگاهی به محصولات قابل خرید در فروشگاه‌ها را روان‌تر کند.
کد خبر ۲۱۲۰۳۰۸۲۸.۰۵۵
