Añadir a mis favoritos
Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés
haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
El aprendizaje automático revela una rápida clasificación de los materiales
{{{sourceTextContent.subTitle}}}
Los investigadores creen que este método tiene un enorme potencial de uso para probar rápidamente las propiedades de nuevos materiales.
{{{sourceTextContent.description}}}
Un equipo de investigación de la Universidad de Tokio desarrolló un potente algoritmo de aprendizaje de máquinas que predice las propiedades y estructuras de muestras desconocidas a partir de un espectro de electrones. Este proceso puede acelerar rápidamente el proceso de descubrir y probar nuevas nanomáquinas, células solares y otros dispositivos electrónicos.
Los tricorders son dispositivos ficticios que se vieron por primera vez en el programa de televisión original de Star Trek. En este escenario de ciencia ficción, los científicos podían aprender instantáneamente sobre las rocas de los planetas alienígenas con un rápido escaneo. Los investigadores de la Universidad de Tokio han dado un paso hacia la realización de este concepto. Utilizaron datos de la espectroscopia electrónica de pérdida de núcleos, un conjunto de pruebas de laboratorio estándar que envían electrones a una muestra para determinar los elementos atómicos que contiene y su estructura de enlace. Sin embargo, los resultados de estos instrumentos son difíciles de interpretar. Para superar este problema, recurrieron al aprendizaje automático. A diferencia de los programas informáticos convencionales, los algoritmos de aprendizaje automático no necesitan que se les diga qué patrones buscar. En su lugar, los algoritmos se entrenan introduciendo muchos ejemplos y, con el tiempo, el programa aprende a clasificar muestras nuevas y desconocidas.
Aquí, los investigadores eligieron una red neuronal que imita la organización del cerebro humano. Los datos de materiales conocidos se envían como entrada, y las conexiones entre neuronas se ajustan para optimizar las predicciones del modelo. Según el primer autor Shin Kiyohara, "con la creciente demanda de dispositivos a nanoescala, las herramientas para entender las estructuras moleculares son cada vez más valiosas"
Aunque todavía está muy lejos de un tricorder que pueda identificar instantáneamente formaciones rocosas alienígenas, el autor principal Teruyasu Mizoguchi cree que "este método tiene un enorme potencial para ser utilizado en la rápida prueba de las propiedades de nuevos materiales"