近期，中國科學院上海光學精密機械研究所微納光電子功能材料實驗室在利用隨機森林算法實現二維材料層數和缺陷識別研究中取得新進展，揭示了機器學習算法在二維材料光譜學研究領域的應用潛力。　

　　機器學習是人工智能領域的重要分支，其基本思想是基于數據構建統計模型，并利用模型對數據進行分析和預測。隨著大數據技術的快速發展，以數據驅動的機器學習算法在材料研究領域蓬勃興起。二維材料的Raman光譜對分子鍵合及樣品的結構較敏感，可用來進行化學鑒別、形態與相、內壓力/應力及組成成份等的研究和分析。盡管Raman光譜提供了較豐富的信息，但如何挖掘信息深度、利用多種信息進行綜合決策，仍需進一步的研究。

　　該研究中，研究人員利用MoS₂的Raman頻率、強度等特征信息，通過重采樣過程，得到了包含不同空間位置信息的子訓練集；通過學習過程，建立了由一定數量決策樹組成的隨機森林模型。當有新的樣本點進入模型進行預測和判斷時，隨機森林中的每棵決策樹會進行獨立判斷，繼而通過多數表決的方式給出相對準確的預測結果。除了能夠判斷單層和雙層樣品外，模型還能夠對樣品生長過程中易引入的裂痕和隨機分布晶核進行預測。該研究工作提出的方案將機器學習算法引入二維材料光譜學的研究中，也可擴展到其他材料，為不同領域的材料表征提供解決方案。

　　相關研究成果以Machine Learning Analysis of Raman Spectra of MoS₂為題，發表在Nanomaterials上。研究工作得到國家自然科學基金委、中科院、上海市科委的支持。

　　論文鏈接 

　　圖1.隨機森林算法中學習過程的基本結構

　　圖2.隨機森林算法中預測過程的基本結構和一些區域層數識別的結果