在日本光谱技术在材料研究中被广泛使用，因为它们能够从材料独特的光谱特征中识别出来。这些特性与特定的材料性能相关，比如它们的原子结构和化学键结构。现代的光谱分析方法可以快速生成大量的材料光谱，但有必要对这些光谱进行解释，以收集有关材料的相关信息。
然而，光谱的解释并不总是一项简单的任务，需要相当多的专业知识。每个光谱都与包含大量参考材料属性的数据库进行比较，但是数据库中不存在的未知材料特性可能会存在问题，并且常常需要使用光谱模拟和理论计算来解释。此外，现代光谱学仪器可以从单个实验中产生数万份光谱，这一事实对传统的人工解释方法造成了相当大的压力，因此需要一种更新更效率的解释方法。
在材料科学应用中，大数据分析技术的使用一直备受关注，东京大学工业科学研究所的研究人员意识到，这种技术可以用来解释比传统方法多得多的光谱。研究人员开发了一种基于机器学习技术的数据驱动方法，并结合了层聚类和决策树的方法。
研究小组利用理论计算建立了一个光谱数据库，其中每个光谱与其原子结构有一一对应关系，所有光谱包含相同的参数。利用这两种机器学习方法，可以研发出光谱解释方法和光谱预测方法，当材料的原子结构已知时，就可以使用这种方法。
该方法成功的应用于复杂光谱的解释，从核电子损耗光谱方法、能量损耗近边精细结构（ELNES）和x射线吸收近边缘结构（XANES）两种方法，并用于预测材料信息提供时的光谱特征。当提供关于一种材料的信息运用该方法时，且这种材料不能人工确定，而且仅从材料的几何信息就能预测光谱。
然而，所提出的机器学习方法并不局限于ELNES/XANES谱，可以用于快速而准确的分析任何光谱数据，而不需要专家的专业知识。因此，该方法在半导体设计、电池开发和催化剂分析等领域具有广泛的应用前景。
原文地址：https://www.ait800.com/jiqixuexi/577.html
