京都大學講師 Daniel Puckwood 和東京工業大學教授 Taro Ichisugi 成功地創建了使用機器學習預測金屬基板上分子排列的指南。
隨著電子器件進一步小型化和更高集成化的需求,分子的“自組織”受到關注。分子自組織是附著在基材上的分子通過分子間吸引力相互吸引並聚集而自發形成微小結構(超分子結構)的現象。對於納米電子學的發展,有可能將其用於製造可用作電子元件的微小電線(納米線)和超分子結構,並且研究活動正在變得活躍。然而,沒有將分子自發組裝成所需結構的指導方針,並且很難將它們開發成應用。
在這項研究中,專攻數學科學和理論化學的 Puckwood 講師與專攻材料科學的 Ichisugi 教授進行了聯合研究。 利用“無監督機器學習”,我們創建了根據需要在基板上組裝分子的指南。無監督機器學習是將各種對象與計算機進行比較並將它們分類為共同特徵的過程。這次,我們了解了分子的化學特性和分子的組裝過程之間的關係,並以圖形方式總結了結果。然後,通過分析這個數字,得出了指導方針。
例如,根據該準則,可以預測在形成可用作電線的線性超分子結構時應該使用哪種分子。預計這一結果將導致微器件必要部件的形成並加速納米電子學的發展。