Los investigadores han desarrollado un enfoque basado en el aprendizaje profundo que agiliza significativamente la identificación y clasificación precisa de materiales bidimensionales (2D) mediante espectroscopia Raman. En comparación, los métodos de análisis Raman convencionales son lentos y requieren una interpretación subjetiva manual. Este nuevo método acelerará el desarrollo y análisis de materiales 2D, que se utilizan en aplicaciones tan diversas como la electrónica y las tecnologías médicas.
“A veces, sólo tenemos unas pocas muestras de materiales 2D que queremos estudiar, o recursos limitados para realizar múltiples mediciones”, dice el investigador principal Yaping Qiu (Universidad de Tohoku). Como resultado, los datos espectrales tienden a ser limitados y distribuidos de manera desigual. Analizamos un modelo creativo que esencialmente llena esos conjuntos de datos”.
Se incorporaron al modelo de aprendizaje datos espectrales obtenidos de siete materiales 2D diferentes y tres combinaciones apiladas diferentes. El equipo de investigadores introdujo un marco innovador de aumento de datos utilizando modelos probabilísticos de difusión de eliminación de ruido (DDPM) para generar datos sintéticos adicionales y abordar estos desafíos. Para este tipo de modelo, se agrega ruido a los datos originales para expandir el conjunto de datos y luego el modelo aprende a trabajar hacia atrás y eliminar el ruido para producir una nueva salida que sea la distribución de los datos originales.
Al combinar este conjunto de datos aumentado con una red neuronal convolucional (CNN) de cuatro capas, el equipo de investigación logró una precisión de clasificación del 98,8 % en el conjunto de datos original y, en particular, una precisión del 100 % con datos aumentados. Este método automatizado no solo aumenta la eficiencia de la clasificación sino que también reduce la necesidad de intervención manual, lo que mejora la eficiencia y la escalabilidad de la espectroscopia Raman para la identificación de materiales 2D.
“Este método proporciona una solución sólida y automatizada para el análisis de alta precisión de materiales 2D”, resume Qi, “la integración de técnicas de aprendizaje profundo es muy prometedora para la investigación en ciencia de materiales y el control de calidad industrial, donde la identificación rápida y confiable es esencial”. “
Este estudio presenta la primera aplicación de DDPM en la generación de datos espectrales Raman, allanando el camino para un análisis de espectroscopia automatizado y más eficiente. Este enfoque permite una caracterización precisa del material incluso cuando los datos experimentales son escasos o difíciles de obtener. En última instancia, esto podría permitir que la investigación realizada en el laboratorio se convierta en un producto real que los consumidores puedan comprar en las tiendas mediante un proceso más ágil.
