具有优异光电性能的等离子纳米材料是极具潜力的下一代催化剂、传感器、激光器和光热器件材料。近日，蒙特利尔大学Jean-Francois Masson、剑桥大学John S. Biggins、Emilie Ringe运用机器学习技术对纳米等离子体进行了研究。

本文要点：

1) 由于光学和电子技术的发展，从而产生了现代纳米等离子体表征长度尺度特征的大型数据集。此外，要实现特定纳米结构的合成需要经历极其耗时的多参数优化过程，而面对这些复杂的数据集，机器学习（ML）等数据处理方法可以极大的缩短优化过程。

2) ML算法以远远超过传统模拟和理论方法的方式捕获合成、结构和性能之间的关系，从而实现有效的性能优化。神经网络可以调整纳米结构形态以达到预期的性能，并可以识别合成条件，以及从复杂数据中提取定量信息。作者讨论了用于纳米等离子体ML的新生领域，描述了ML在纳米等离子体研究中的机遇和局限性。

参考电竞投注官网 ：

Jean-Francois Masson et.al Machine learning for nanoplasmonics Nature Nanotechnology 2023

DOI: 10.1038/s41565-022-01284-0

https://doi.org/10.1038/s41565-022-01284-0