سیستم جدید ، با نام DeepSPM ، شکاف بین علوم نانو ، اتوماسیون و هوش مصنوعی را در آزمایشگاه از بین می برد
و استفاده از یادگیری ماشین را برای تحقیقات علمی تجربی کاملاً برقرار می کند.
دکتر آگستین شیفرین (دانشگاه موناش) می گوید:
“بهینه سازی دستیابی به اطلاعات SPM می تواند بسیار خسته کننده باشد.
این روند بهینه سازی معمولاً توسط متخصص انسان انجام می شود و به ندرت گزارش می شود.”
“سیستم جدید مبتنی بر هوش مصنوعی ما می تواند داده های بهینه SPM را به صورت مستقل ،
برای چند روز مستقیم و بدون نظارت انسانی به کار ببرد و به دست آورد.”
رویکرد یادگیری عمیق جدید را می توان با سایر تکنیک های SPM تعمیم داد.
محققان ، کلیه چارچوب را بصورت آنلاین و به صورت منبع آزاد در دسترس عموم قرار داده اند
و منبع مهمی را برای جامعه تحقیقاتی علوم نانو ایجاد کرده اند.
دکتر کرنلیوس کرول ، مدیر پروژه می گوید:
“موفقیت در DeepSPM استفاده از یک عامل خودآموزی است ، زیرا ورودی های کنترل صحیح از قبل مشخص نیستند.”
دکتر کرول ، که با دکتر شیفرین در دانشکده فیزیک و نجوم همکاری می کند ، می گوید: “ما از تجربه یاد می گیریم.
سیستم مبتنی بر هوش مصنوعی با جستجوی الگوریتمی بهترین مناطق نمونه شروع می شود
و با دستیابی به اطلاعات خودمختار پیش می رود.
سپس برای ارزیابی کیفیت داده ها از یک شبکه عصبی حلقوی استفاده می کند.
اگر کیفیت داده ها مناسب نباشد ، DeepSPM از یک عامل یادگیری تقویت کننده عمیق برای بهبود وضعیت کاوشگر استفاده می کند.
DeepSPM می تواند چندین روز اجرا شود ،
داده ها را به طور مداوم بدست می آورد و پردازش می کند ، در حالی که مدیریت پارامترهای SPM در پاسخ به شرایط آزمایشی مختلف ، بدون هیچ گونه نظارت صورت می پذیرد.
