Revolutionäre KI-Methode erstellt präzise Material "Fingerabdrücke"

Das AI-NERD-Modell lernt, für jede Probe von XPCS-Daten einen einzigartigen Fingerabdruck zu erstellen. Durch die Zuordnung von Fingerabdrücken aus einem großen experimentellen Datensatz können Trends und sich wiederholende Muster identifiziert werden, was unser Verständnis der Materialentwicklung verbessert. Bildnachweis: Argonne National Laboratory

Forscher am Argonne National Laboratory haben eine neue Technik entwickelt, die Röntgenphotonenkorrelationsspektroskopie und künstliche Intelligenz zur Analyse von Materialien nutzt.

Diese Methode generiert detaillierte „Fingerabdrücke“ von Materialien, die von der KI interpretiert werden, um neue Informationen über die Materialdynamik zu enthüllen. Der als AI-NERD bekannte Ansatz nutzt unbeaufsichtigtes maschinelles Lernen, um diese Fingerabdrücke zu erkennen und zu clustern und so das Verständnis des Materialverhaltens unter verschiedenen Bedingungen zu verbessern.

Wie Menschen entwickeln sich Materialien im Laufe der Zeit. Sie verhalten sich auch anders, wenn sie gestresst und entspannt sind. Wissenschaftler, die die Dynamik der Materialveränderung messen möchten, haben eine neue Technik entwickelt, die Röntgenphotonenkorrelationsspektroskopie (XPCS), künstliche Intelligenz (KI) und maschinelles Lernen nutzt.

Diese Technik erstellt „Fingerabdrücke“ verschiedener Materialien, die von einem neuronalen Netzwerk gelesen und analysiert werden können, um neue Informationen zu gewinnen, auf die Wissenschaftler bisher keinen Zugriff hatten. Ein neuronales Netzwerk ist ein Computermodell, das Entscheidungen auf ähnliche Weise wie das menschliche Gehirn trifft.

In einer neuen Studie von Forschern der Advanced Photon Source (APS) und des Center for Nanoscale Materials (CNM) am Argonne National Laboratory des US-Energieministeriums (DOE) haben Wissenschaftler XPCS mit einem unbeaufsichtigten Algorithmus für maschinelles Lernen kombiniert, einer Form von neuronalem Netzwerk, für das kein Expertentraining erforderlich ist. Der Algorithmus bringt sich selbst bei, Muster zu erkennen, die in Anordnungen von Röntgenstrahlen verborgen sind, die von einem Kolloid gestreut werden – einer Gruppe von in einer Lösung suspendierten Partikeln. APS und CNM sind Nutzereinrichtungen des DOE Office of Science.

„Das Ziel der KI besteht lediglich darin, die Streumuster als normale Bilder oder Abbildungen zu behandeln und sie zu verarbeiten, um herauszufinden, welche sich wiederholenden Muster es gibt. Die KI ist ein Experte für Mustererkennung.“

— James (Jay) Horwath, Argonne National Laboratory

„Wir verstehen, wie sich Materialien im Laufe der Zeit bewegen und verändern, indem wir Daten zur Röntgenstreuung sammeln“, sagte James (Jay) Horwath, Postdoktorand am Argonne National Laboratory und Erstautor der Studie.

Diese Muster sind zu kompliziert, als dass Wissenschaftler sie ohne die Hilfe von KI erkennen könnten. ​„Wenn wir den Röntgenstrahl auf sie richten, sind die Muster so vielfältig und kompliziert, dass es selbst für Experten schwierig wird, zu verstehen, was sie bedeuten“, sagte Horwath.

Damit Forscher besser verstehen, was sie untersuchen, müssen sie alle Daten zu Fingerabdrücken zusammenfassen, die nur die wichtigsten Informationen über die Probe enthalten. ​„Man kann es sich so vorstellen, als hätte man das Genom des Materials. Es enthält alle Informationen, die zur Rekonstruktion des gesamten Bildes erforderlich sind“, sagte Horwath.

Das Projekt heißt Artificial Intelligence for Non-Equilibrium Relaxation Dynamics oder AI-NERD. Die Fingerabdrücke werden mithilfe einer Technik namens Autoencoder erstellt. Ein Autoencoder ist eine Art neuronales Netzwerk, das die ursprünglichen Bilddaten in den Fingerabdruck umwandelt – von Wissenschaftlern als latente Darstellung bezeichnet – und das auch einen Decoder-Algorithmus enthält, der verwendet wird, um von der latenten Darstellung zurück zum vollständigen Bild zu gelangen.

Das Ziel der Forscher war es, eine Karte der Fingerabdrücke des Materials zu erstellen, indem Fingerabdrücke mit ähnlichen Merkmalen in Nachbarschaften zusammengefasst werden. Durch die ganzheitliche Betrachtung der Merkmale der verschiedenen Fingerabdrucknachbarschaften auf der Karte konnten die Forscher besser verstehen, wie die Materialien strukturiert waren und wie sie sich im Laufe der Zeit unter Belastung und Entspannung entwickelten.

Vereinfacht ausgedrückt verfügt KI über gute allgemeine Mustererkennungsfähigkeiten, wodurch sie die verschiedenen Röntgenbilder effizient kategorisieren und in die Karte einsortieren kann. ​„Das Ziel der KI besteht lediglich darin, die Streumuster als normale Bilder oder Abbildungen zu behandeln und sie zu verarbeiten, um herauszufinden, welche sich wiederholenden Muster es gibt“, sagte Horwath. ​„Die KI ist ein Mustererkennungsexperte.“

Die Verwendung von KI zum Verständnis von Streudaten wird besonders wichtig sein, wenn das aktualisierte APS online geht. Die verbesserte Anlage wird 500-mal hellere Röntgenstrahlen erzeugen als das ursprüngliche APS. „Um die Daten zu sortieren, die wir vom verbesserten APS erhalten, benötigen wir die Leistungsfähigkeit von KI“, sagte Horwath.

Die Theoriegruppe am CNM arbeitete mit der Computergruppe der Abteilung für Röntgenwissenschaften von Argonne zusammen, um molekulare Simulationen der von XPCS demonstrierten Polymerdynamik durchzuführen und in Zukunft synthetische Daten für das Training von KI-Workflows wie dem AI-NERD zu generieren.

Ein auf der Studie basierender Artikel wurde am 15. Juli in Nature Communications veröffentlicht.