روش‌های تحلیل سنتی رامان پرزحمت هستند و به تفسیر ذهنی نیاز دارند. ابداع و مطالعه مواد دوبعدی که در بسیاری از کاربردهای گوناگون شامل الکترونیک و فناوری پزشکی مورد استفاده قرار می‌گیرند، با این روش جدید تسریع خواهد شد.

«یاپینگ کی»(Yaping Qi) دانشیار دانشگاه توهوکو و پژوهشگر ارشد این پروژه گفت: ما گاهی اوقات فقط چند نمونه را از مواد دوبعدی مورد نیاز یا منابع محدودی را برای بررسی آنها داریم. در نتیجه، داده‌های طیفی به محدود شدن و توزیع نابرابر تمایل دارند. ما به دنبال یک مدل تولیدی بودیم که چنین مجموعه داده‌هایی را افزایش ‌دهد و جای خالی را برای ما پر کند.

داده‌های طیفی هفت ماده دوبعدی متفاوت و سه ترکیب مجزا به مدل یادگیری عمیق داده شد. پژوهشگران یک روش جدید را توسعه دادند که از مدل‌های «DDPM» برای تولید داده‌های مصنوعی بیشتر برای غلبه بر این مشکلات استفاده می‌کند.

این مدل با اضافه کردن نویز، داده‌های اصلی را بهبود می‌بخشد. سپس، مدل یاد می‌گیرد که برای حذف نویز کار کند و در نتیجه، یک خروجی منحصربه‌فرد را مطابق با توزیع داده‌های اصلی به وجود بیاورد.

پژوهشگران از طریق ترکیب این مجموعه داده با یک شبکه عصبی «CNN»، به دقت ۹۸.۸ درصد در طبقه‌بندی مجموعه داده اصلی و مهم‌تر از آن، دقت ۱۰۰ درصد در داده‌های تقویت‌شده دست یافتند.
این روش خودکار، عملکرد طبقه‌بندی را بهبود می‌بخشد و نیاز به مداخله دستی را کاهش می‌دهد. همچنین، کارآیی و مقیاس‌پذیری طیف‌سنجی رامان را برای شناسایی مواد دوبعدی افزایش می‌دهد.

کی گفت: این روش یک راه حل قوی و خودکار را برای تحلیل بسیار دقیق مواد دوبعدی ارائه می‌دهد. ادغام روش‌های یادگیری عمیق، پژوهش در حوزه علم مواد و کنترل کیفیت صنعتی را نوید می‌دهد که در آنها شناسایی قابل اعتماد و سریع بسیار مهم است.

این پژوهش اولین مورد استفاده از DDPM را در ایجاد داده‌های طیفی رامان ارائه می‌کند و روزنه‌ای را برای تحلیل طیف‌سنجی خودکار و مؤثرتر می‌گشاید. حتی در شرایطی که به دست آوردن داده‌های تجربی محدود یا چالش‌برانگیز است، این روش می‌تواند امکان توصیف دقیق مواد را فراهم کند. در نهایت، این روش می‌تواند بررسی‌ آزمایشگاهی را به یک محصول ملموس تبدیل کند که مصرف‌کنندگان بتوانند آن را از فروشگاه‌ها بخرند.این پژوهش در مجله «Applied Materials Today» به چاپ رسید.