Universidade de Tohoku pesquisadores criaram um método baseado em aprendizado profundo que simplifica significativamente a identificação e categorização precisas de materiais bidimensionais (2D) usando espectroscopia Raman, de acordo com um estudo publicado em Materiais aplicados hoje.
As técnicas tradicionais de análise Raman são trabalhosas e necessitam de interpretação handbook subjetiva. O desenvolvimento e estudo de materiais 2D, que são utilizados em diversas aplicações, incluindo eletrônica e tecnologia médica, serão acelerados por esta técnica inovadora.
Às vezes, temos apenas algumas amostras do materials 2D que queremos estudar ou recursos limitados para realizar múltiplas medições. Como resultado, os dados espectrais tendem a ser limitados e distribuídos de forma desigual. Procuramos um modelo generativo que aprimorasse esses conjuntos de dados. Essencialmente, preenche as lacunas para nós.
Yaping Qi, pesquisador principal do estudo e professor assistente, Universidade de Tohoku
Dados espectrais de sete materiais 2D diferentes e três combinações distintas de empilhamento foram inseridos no modelo de aprendizagem. Os pesquisadores desenvolveram um novo método de aumento de dados que emprega Modelos Probabilísticos de Difusão e Denoising (DDPM) para produzir mais dados sintéticos para superar essas dificuldades.
Este modelo melhora os dados originais adicionando ruído. Em seguida, o modelo aprende a trabalhar de trás para frente para remover o ruído, resultando em uma saída única consistente com a distribuição unique dos dados.
Ao combinar este conjunto de dados aumentado com uma Rede Neural Convolucional (CNN) de quatro camadas, a equipe de pesquisa alcançou uma precisão de classificação de 98,8% no conjunto de dados unique e, mais importante, 100% de precisão com os dados aumentados.
Esta abordagem automatizada melhora o desempenho da classificação e, ao mesmo tempo, reduz a necessidade de intervenção handbook, aumentando a eficiência e a escalabilidade da espectroscopia Raman para identificação de materiais 2D.
Qi acrescentou: “Este método fornece uma solução robusta e automatizada para análise de alta precisão de materiais 2D. A integração de técnicas de aprendizagem profunda é uma promessa significativa para a investigação em ciência dos materiais e o controlo de qualidade industrial, onde a identificação rápida e fiável é crítica.”
O estudo apresenta o primeiro uso do DDPM na criação de dados espectrais Raman, abrindo as portas para análises de espectroscopia automatizadas mais eficazes. Mesmo em situações em que os dados experimentais são limitados ou difíceis de obter, este método permite a caracterização precisa do materials. Em última análise, isto pode tornar muito mais fácil que a investigação laboratorial se transforme num produto tangível que os consumidores possam comprar nas lojas.
Referência do periódico:
QI, Y. et. tudo. (2024) Espectroscopia Raman assistida por aprendizagem profunda para identificação rápida de materiais 2D. Materiais aplicados hoje. doi.org/10.1016/j.apmt.2024.102499