人工智能 (AI) 開始越來越多地應用于多個行業(yè)，因為它有助于提高流程效率。隨著我們邁向工業(yè) 4.0 和更自動化的工業(yè)系統(tǒng)，人工智能方法變得越來越重要。在眾多人工智能方法中，機器學習 (ML) 已成為最受歡迎的方法之一。除了采用機器學習算法的各種制造、監(jiān)控、計算和加工業(yè)外，機器學習方法還與納米技術(shù)結(jié)合使用——這一領(lǐng)域不像其他一些領(lǐng)域那樣有據(jù)可查。

鑒于人工智能和納米技術(shù)行業(yè)與一些已經(jīng)發(fā)展了一個多世紀的行業(yè)相比仍處于相對初級階段，因此這兩個行業(yè)仍面臨一些挑戰(zhàn)。當然，將這兩個高度先進的行業(yè)結(jié)合起來也面臨著挑戰(zhàn)。它們的范圍從比物理實驗更快的數(shù)據(jù)方法，到每個行業(yè)的相關(guān)研究人員之間缺乏關(guān)于每個行業(yè)對另一個行業(yè)的需求以及如何最好地利用這兩個領(lǐng)域以產(chǎn)生優(yōu)化結(jié)果的有效溝通。

盡管如此，機遇與挑戰(zhàn)并存，在人工智能和納米技術(shù)的交匯處存在著許多機遇。因此，盡管存在一些挑戰(zhàn)，但可以相對輕松地克服這些挑戰(zhàn)，所以讓我們來看看機器學習方法和納米技術(shù)相結(jié)合產(chǎn)生有效結(jié)果的一些關(guān)鍵新興領(lǐng)域。這些領(lǐng)域包括分析大型數(shù)據(jù)集、設計和發(fā)現(xiàn)新的納米材料，以及開發(fā)更高效的硬件來支持機器學習算法。

分析大型數(shù)據(jù)集

分析、優(yōu)化和挑選大型數(shù)據(jù)集中的趨勢是機器學習方法的核心，這可以應用于納米材料。這是通過多種方式開發(fā)的。

第一種方法是分析各種表征儀器的數(shù)據(jù)，例如使用光譜學方法和電子顯微鏡方法表征納米材料的特性時。人工神經(jīng)網(wǎng)絡 (ANN) 和卷積神經(jīng)網(wǎng)絡 (CNN) 的組合已與表征儀器結(jié)合使用。

一方面，機器學習與光譜學一起使用，以指示數(shù)據(jù)集中非常小的變化，否則這些變化可能不會引起注意。這些微小的變化實際上可能與被分析材料的化學結(jié)構(gòu)和形態(tài)的變化相關(guān)，這是可以改變納米材料特性的兩個因素。因此，識別此類微小變化的能力非常重要。

On the other hand, machine learning is used with microscopy methods—specifically electron microscopes used to analyze nanomaterials, but machine-learning methods have also been used with optical microscopes for other types of materials. In this area, the output is an image with spatial correlations, and machine-learning methods can be used to detect small deviations from the norm, leading to a more accurate analysis of the material. This can also be applied beyond pure nanomaterial analysis to analyze the spatial features of biological features—such as using the shape and size of cells to determine which ones are cancerous. Although this is not strictly nanotechnology, many of the applied approaches to achieve to analyze these cells rely on nanomedicine approaches, so it is a closely related area.

第二種關(guān)鍵方法是分離表征儀器的數(shù)據(jù)集。許多分析方法傾向于壓縮數(shù)據(jù)，而機器學習可以將不同的數(shù)據(jù)信號從分析中分離出來。這很重要，因為數(shù)據(jù)壓縮會導致混合信號的產(chǎn)生，從而影響結(jié)果。因此，機器學習本質(zhì)上可以用于納米材料分析方法，作為質(zhì)量控制的一種手段，并從原始數(shù)據(jù)集中提供更準確的數(shù)據(jù)輸出。

設計和發(fā)現(xiàn)新的納米材料

近年來引起廣泛關(guān)注的一個科學領(lǐng)域是優(yōu)化設計納米材料以及許多其他材料和化學品的能力，并找到生產(chǎn)可能比現(xiàn)狀更好的新材料的途徑。這種需求是如此之大，以至于它導致了許多計算/理論領(lǐng)域的發(fā)展——例如計算化學和生物學——隨著過去十年左右計算能力的急劇增加，這些領(lǐng)域變得越來越普遍。

之所以采用機器學習方法，是因為納米材料的特性比其他材料更難預測，因為量子效應會在如此小的尺度上發(fā)揮作用。人工神經(jīng)網(wǎng)絡、深度神經(jīng)網(wǎng)絡 (DNN) 和生成對抗網(wǎng)絡 (GAN) 已被用于分析和優(yōu)化納米級可能的許多不同參數(shù)和特性。這些輸出可以合理化并用于構(gòu)建設計新納米材料的最佳解決方案或優(yōu)化現(xiàn)有納米材料的最佳方法。它就像是計算化學/生物學的高級版本，可以與表現(xiàn)出獨特特性和現(xiàn)象的材料一起使用。這些方法已被用于設計和優(yōu)化一系列納米材料，包括二維材料、二維材料異質(zhì)結(jié)構(gòu)、納米級催化劑、

更高效的硬件

雖然上述領(lǐng)域都集中在機器學習可以為納米技術(shù)做些什么，但本節(jié)專門介紹納米技術(shù)可以為機器學習做些什么。當今先進的納米制造和納米圖案化方法可以創(chuàng)建高效且小型的計算機硬件設備。然后可以利用這些高級計算組件來提供更多計算能力，這些計算能力可用于為機器學習算法提供動力和維持。

除了能夠?qū)ΜF(xiàn)有的納米級材料進行圖案化以提高它們的效率外，創(chuàng)建納米電子設備還可以使傳統(tǒng)組件變得更小，這意味著可以在給定的區(qū)域內(nèi)制造更多的組件。納米級晶體管的發(fā)展就是一個很好的例子，因為與其他體積更大的晶體管相比，可以在芯片/硬件上制造更多的晶體管，從而提高速度和效率。

納米材料的使用還導致了新型晶體管設備的開發(fā)，例如憶阻器，它可以“像大腦一樣工作”并存儲信息——當斷電時信息仍然存儲。能夠生產(chǎn)出能夠促進機器學習和其他 AI 算法的“類腦”行為的更快的硬件和高級組件的能力，將有助于進一步將機器學習算法應用到更多的應用程序和工業(yè)領(lǐng)域。

結(jié)論

盡管這兩個行業(yè)都面臨著挑戰(zhàn)，并且將兩個高科技行業(yè)結(jié)合在一起，但通過將納米技術(shù)與人工智能方法相結(jié)合，許多機會是可能的，其中許多已經(jīng)開始引起人們的興趣。機器學習方法可用于更好地分析納米材料和納米級生物材料，并有助于尋找新材料和最佳設計納米材料的最佳途徑。納米技術(shù)也可以通過提供更高效的硬件來支持機器學習算法來回饋社會?？偟膩碚f，它仍然是一個發(fā)展中的區(qū)域，但它是一個在許多方面都有潛力的交叉區(qū)域。

審核編輯黃昊宇