305
人工智能（AI）能夠大幅提高流程效率，讓各行各業(yè)都趨之若鶩。隨著我們向工業(yè)4.0和更自動化的工業(yè)系統(tǒng)邁進，人工智能實現(xiàn)方法也變得愈發(fā)重要，機器學習是在眾多人工智能實現(xiàn)方法中非常流行的一種。除了采用機器學習算法的各種制造業(yè)、監(jiān)控業(yè)和計算業(yè)外，機器學習方法還能與納米技術相結合，但不同于其他一些領域，這一應用領域尚未有詳細的記錄可供參考。
圖源：BEST-BACKGROUNDS/Shutterstock.com
人工智能和納米技術與一些已經發(fā)展了一個多世紀的產業(yè)相比還處于相對初級的階段，仍面臨著一些挑戰(zhàn)。當然，將這兩個高度發(fā)達的產業(yè)結合起來也有一定難度，涉及到諸多方面，從比物理實驗更快的數(shù)據(jù)方法，到各行業(yè)相關研究人員之間缺乏有效的溝通，即每個行業(yè)需要從其他行業(yè)獲得什么，以及如何更有效地利用這兩個領域來產生優(yōu)化的結果。然而，有挑戰(zhàn)就有機遇，人工智能和納米技術接口不僅面臨著上述挑戰(zhàn)，同時也迎來了很多機遇。盡管機器學習方法和納米技術的結合存在一些挑戰(zhàn)，但相對容易克服，接下來就讓我們來看一看部分適用的新興領域，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)更有效的硬件來支持機器學習算法。
01 分析大型數(shù)據(jù)集
分析、優(yōu)化和辨別大型數(shù)據(jù)集趨勢是機器學習方法的核心，也可以應用于納米材料，可通過多種方法實現(xiàn)：第一種方法：分析各種表征儀器的數(shù)據(jù)，比如在使用光譜法和電子顯微鏡法表征納米材料的性能時。將人工神經網(wǎng)絡（ANN）和卷積神經網(wǎng)絡（CNN）與特征儀器配合使用。一方面，結合使用機器學習與光譜學，可以指示數(shù)據(jù)集中可能不明顯的微小變化。這些微小的變化與所分析材料的化學結構和形貌的變化有關，而這兩個因素會影響納米材料性能。因此，識別這些微小變化的能力非常重要。另一方面，機器學習不僅可用于顯微鏡，特別是用于分析納米材料的電子顯微鏡，也可用于適合其他材料的光學顯微鏡。在這一領域，輸出是一幅空間圖像，機器學習可以檢測出與范數(shù)的微小偏差，從而更準確地分析材料。這也可以應用于針對生物空間特征的純納米材料分析，如通過細胞的形狀和大小來確定哪些是癌細胞。雖然這不是嚴格的納米技術，但許多應用都是通過納米醫(yī)學的方法來對這些細胞進行分析，因此可以說是一個密切相關的領域。
第二種關鍵方法：分離表征儀器的數(shù)據(jù)集。許多分析方法都傾向于壓縮數(shù)據(jù)，而機器學習可以通過分析將不同的數(shù)據(jù)信號分離開來。這一點很重要，因為數(shù)據(jù)壓縮會導致形成混合信號，進而影響結果。因此，機器學習基本上可以應用于納米材料分析方法，作為質量控制手段，從原始數(shù)據(jù)集中獲得更精確的數(shù)據(jù)輸出。
02 設計和發(fā)現(xiàn)新的納米材料
這是近年來廣受關注的一個科學領域，不僅能優(yōu)化納米材料以及許多其他材料和化學品的設計，還能設計出優(yōu)質的新材料。這一需求極大地推動了許多計算/理論領域的發(fā)展，如計算化學和生物學，而且隨著近十年來計算能力的急劇提高，這些領域也逐漸流行起來。
在納米尺度下，材料中的量子效應會凸顯出來，使得納米材料的特性比其他材料更難預測，這就是為什么要采用機器學習的原因。人工神經網(wǎng)絡、深度神經網(wǎng)絡（DNN）和生成對抗網(wǎng)絡 (GAN) 已被用于分析和優(yōu)化納米尺度下的多個參數(shù)和性能。這些輸出通過改進，可讓設計人員發(fā)現(xiàn)設計新納米材料或優(yōu)化現(xiàn)有納米材料的方法。它就像一個化學/生物學的高級計算版本，可用于具有獨特特性和現(xiàn)象的材料。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、二維材料異質結構、納米催化劑、納米光子材料和一維材料等等。
03 更高效的硬件
前面講述了機器學習可以為納米技術做些什么，而本部分將反過來討論納米技術可以為機器學習做些什么。我們可以利用現(xiàn)有的納米加工和納米圖案化技術制造出高效、小型的計算機硬件，然后利用這些高級計算組件來提供更多的計算能力，以支持機器學習算法。
創(chuàng)建納米電子設備不僅能夠對現(xiàn)有納米級材料進行圖形化處理以提高效率，還可以進一步縮小傳統(tǒng)組件尺寸，即在給定區(qū)域內容納更多的組件。納米級晶體管的發(fā)展就是一個很好的例子，與其他體積更大的晶體管相比，可以在芯片/硬件上容納更多納米級晶體管，從而提高速度和效率。納米材料的使用也促進了基于晶體管的新型器件的發(fā)展，例如憶阻器，它可以“像大腦一樣工作”，斷電后仍能存儲信息。能夠生產出更快的硬件和先進的組件，從而促進機器學習和其他人工智能算法的“類大腦”行為，將有助于進一步將機器學習算法應用到更多的應用和工業(yè)部門。
04 結論
無論是這兩個高科技行業(yè)本身還是將它們結合起來都有著各自的問題，但通過將納米技術與人工智能方法相結合，就有可能發(fā)現(xiàn)更多的可能，而且部分已經引起了人們的興趣。
機器學習方法可以用來更好地分析納米材料和納米尺度的生物材料，并有助于尋找新材料和優(yōu)化設計納米材料的方法。納米技術也可以通過提供更有效的硬件來支持機器學習算法。
總的來說，這仍然是一個發(fā)展中的領域，但它是一個交叉領域，在許多方面都有很大的發(fā)展空間。
Jeff Shepard作者介紹
利亞姆·克里奇利(Liam Critchley)是一位作家、記者以及技術布道者。他專注于化學和納米技術，以及如何將分子水平上的基本原理應用于更多不同的領域。利亞姆最出名的可能是他教授知識的方法，他可以向科學家以及非科學家解釋復雜的科學問題。利亞姆目前已經在化學和納米技術交叉的各個科學領域和行業(yè)發(fā)表了350多篇文章。
利亞姆目前擔任歐洲納米技術產業(yè)協(xié)會（NIA）的高級科學宣傳人員，并且在過去幾年的時間里為全球不同地區(qū)的公司、協(xié)會和媒體網(wǎng)站撰寫文章。在成為一名作家之前，利亞姆獲得了納米技術和化學工程兩個碩士學位。
除了寫作，利亞姆也是美國石墨烯協(xié)會（NGA）顧問委員會、全球納米技術世界網(wǎng)絡（NWN）、科學慈善機構格拉姆西理事會（總部位于英國）的成員。利亞姆也是英國納米醫(yī)學協(xié)會（BSNM）和國際先進材料協(xié)會（IAAM）的成員，同時也是多家學術期刊的審稿人。
