据外媒报道，如果可以可靠地预测材料的特性，那么为大量行业开发新产品的过程就可以被简化和加速。在发表在《先进智能系统》上的一项研究中，来自东京大学工业科学研究所的研究人员利用机器学习，用磁芯损耗光谱学来确定有机分子的特性。
光谱技术能量损失近边结构（ELNES）和X射线近边结构（XANES）被用来确定材料中电子的信息，并通过它确定原子。它们具有高灵敏度和高分辨率，已被用于研究从电子设备到药物输送系统的一系列材料。
然而，将光谱数据与材料的特性--如光学特性、电子传导性、密度和稳定性--联系起来仍然是不明确的。机器学习方法已被用于提取大型复杂数据集的信息。这种方法使用人工神经网络，它基于我们的大脑如何工作，不断学习以解决问题。尽管该小组之前使用ELNES/XANES光谱和ML来找出材料的信息，但他们发现的东西与材料本身的属性无关。因此，这些信息不能轻易转化为发展。
现在，该团队已经使用ML来揭示隐藏在22155个有机分子的模拟ELNES/XANES光谱中的信息。“分子的ELNES/XANES光谱，或它们在这种情况下的 ‘描述符’，然后被输入系统，”主要作者Kakeru Kikumasa解释说。“这种描述符是可以在实验中直接测量的东西，因此可以以高灵敏度和分辨率来确定。这种方法对材料开发非常有利，因为它有可能揭示出某些材料特性产生的地点、时间和方式。”
仅仅从光谱中创建的一个模型就能够成功地预测所谓的密集特性。然而，它无法预测广泛特性，这些特性取决于分子大小。因此，为了改善预测，新的模型是通过包括与碳（存在于所有有机分子中）有关的三种元素的比率作为额外的参数来构建的，以使分子量等广泛的特性得到正确的预测。
“我们对磁芯损耗光谱的ML学习处理提供了对广泛材料特性的准确预测，如内能和分子量。磁芯损耗光谱和广泛属性之间的联系以前从未被提出过；然而，人工智能能够揭开隐藏的联系。”高级作者Teruyasu Mizoguchi说：“我们的方法也可能被应用于预测新材料和功能的特性。我们相信，我们的模型将是一个非常有用的工具，可以在广泛的行业中进行材料的高通量开发。”