據外媒報導，如果可以可靠地預測材料的特性，那麼為大量行業開發新產品的過程就可以被簡化和加速。 在發表在《先進智慧系統》上的一項研究中，來自東京大學工業科學研究所的研究人員利用機器學習，用磁芯損耗光譜學來確定有機分子的特性。

光譜技術能量損失近邊結構（ELNES）和X射線近邊結構（XANES）被用來確定材料中電子的資訊，並通過它確定原子。 它們具有高靈敏度和高解析度，已被用於研究從電子設備到藥物輸送系統的一系列材料。

然而，將光譜數據與材料的特性–如光學特性、電子傳導性、密度和穩定性–聯繫起來仍然是不明確的。 機器學習方法已被用於提取大型複雜數據集的資訊。 這種方法使用人工神經網路，它基於我們的大腦如何工作，不斷學習以解決問題。 儘管該小組之前使用ELNES/XANES光譜和ML來找出材料的資訊，但他們發現的東西與材料本身的屬性無關。 因此，這些資訊不能輕易轉化為發展。

現在，該團隊已經使用ML來揭示隱藏在22155個有機分子的類比ELNES/XANES光譜中的資訊。 “分子的ELNES/XANES光譜，或它們在這種情況下的 ‘描述符’，然後被輸入系統，”主要作者Kakeru Kikumasa解釋說。 “這種描述符是可以在實驗中直接測量的東西，因此可以以高靈敏度和解析度來確定。 這種方法對材料開發非常有利，因為它有可能揭示出某些材料特性產生的地點、時間和方式。 ”

僅僅從光譜中創建的一個模型就能夠成功地預測所謂的密集特性。 然而，它無法預測廣泛特性，這些特性取決於分子大小。 因此，為了改善預測，新的模型是通過包括與碳（存在於所有有機分子中）有關的三種元素的比率作為額外的參數來構建的，以使分子量等廣泛的特性得到正確的預測。

“我們對磁芯損耗光譜的ML學習處理提供了對廣泛材料特性的準確預測，如內能和分子量。 磁芯損耗光譜和廣泛屬性之間的聯繫以前從未被提出過;然而，人工智慧能夠揭開隱藏的聯繫。 “高級作者Teruyasu Mizoguchi說：”我們的方法也可能被應用於預測新材料和功能的特性。 我們相信，我們的模型將是一個非常有用的工具，可以在廣泛的行業中進行材料的高通量開發。 ”