آنانت گویند راجان، استادیار دپارتمان مهندسی شیمی مؤسسه علوم هند(IISc) می‌گوید: مشکل این است که این مواد دو بعدی دارای توزیع گسترده‌ای از نانوحفره‌ها، هم از نظر شکل و هم از نظر اندازه هستند. شما نمی‌دانید که قرار است در ماده چه چیزی تشکیل شود، بنابراین درک ویژگی غشای حاصل بسیار دشوار است.

مدل‌های یادگیری ماشینی می‌توانند ابزاری قدرتمند برای تجزیه و تحلیل ساختار نانوحفره‌ها به منظور کشف ویژگی‌های جدید باشند. اما این مدل‌ها برای توصیف ظاهری یک نانوحفره عمل می‌کنند. در مطالعه‌ای که در مجله انجمن شیمی آمریکا منتشر شد، راجان و همکارانش زبان جدیدی ابداع کردند که شکل و ساختار نانوحفره‌ها را در قالب دنباله‌ای از کاراکترها رمزگذاری می‌کند. این زبان می‌تواند برای آموزش هر مدل یادگیری ماشینی استفاده شود.

این زبان جدید STRONG نام دارد که مخفف عبارت STring Representation Of Nanopore Geometry است که برای پیش‌بینی خواص نانوحفره‌ها در طیف وسیعی از مواد قابل استفاده است. در این روش حروف‌های مختلف برای پیکربندی متفاوت اتم‌ها استفاده شده تا یک توالی از همه اتم‌ها در لبه نانوحفره را مشخص کند و با این کار شکل واقعی نانوحفره را تعیین می‌کند. برای مثال، زمانی که اتم‌ها سه پیوندی باشد، از حرف F استفاده شده و اتم کناری که به دو اتم متصل است، حرف C را به خود می‌گیرد.

نانوحفره‌های مختلف انواع مختلفی از اتم‌ها را در لبه خود دارند که ویژگی‌های آنها را دیکته می‌کند. STRONGs به این تیم اجازه داد تا راه‌های سریعی برای شناسایی نانوحفره‌های دست پیدا کنند. این امر میزان داده‌هایی را که برای پیش‌بینی ویژگی‌های نانوحفره باید تجزیه و تحلیل شوند، به شدت کاهش می‌دهد.

به نقل از ستاد نانو، این تیم به نوعی از شبکه عصبی مورد استفاده در پردازش زبان طبیعی روی آوردند که با توالی‌های طولانی به خوبی کار می‌کند و می‌تواند به طور انتخابی اطلاعات را در طول زمان به خاطر بسپارد یا فراموش کند. بر خلاف برنامه‌نویسی سنتی که در آن به کامپیوتر دستورالعمل‌های صریح داده می‌شود، شبکه‌های عصبی را می‌توان آموزش داد تا بفهمند چگونه مشکلی را که تاکنون با آن مواجه نشده‌اند، حل کنند.