Método revolucionario de inteligencia artificial crea "huellas dactilares" precisas de materiales

El modelo AI-NERD aprende a producir una huella digital única para cada muestra de datos XPCS. Mapear huellas dactilares a partir de un gran conjunto de datos experimentales permite identificar tendencias y patrones repetitivos que ayudan a comprender cómo evolucionan los materiales. Crédito: Laboratorio Nacional Argonne

Investigadores del Laboratorio Nacional de Argonne han desarrollado una nueva técnica que utiliza espectroscopia de correlación de fotones de rayos X e inteligencia artificial para analizar materiales.

Este método genera "huellas dactilares" detalladas de los materiales, que la IA interpreta para revelar nueva información sobre la dinámica de los materiales. El enfoque, conocido como AI-NERD, aprovecha el aprendizaje automático no supervisado para reconocer y agrupar estas huellas dactilares, mejorando la comprensión del comportamiento del material en diferentes condiciones.

Al igual que las personas, los materiales evolucionan con el tiempo. También se comportan de manera diferente cuando están estresados ​​y relajados. Los científicos que buscan medir la dinámica de cómo cambian los materiales han desarrollado una nueva técnica que aprovecha la espectroscopia de correlación de fotones de rayos X (XPCS), la inteligencia artificial (IA) y el aprendizaje automático.

Esta técnica crea "huellas digitales" de diferentes materiales que una red neuronal puede leer y analizar para generar nueva información a la que los científicos antes no podían acceder. Una red neuronal es un modelo informático que toma decisiones de forma similar al cerebro humano.

En un nuevo estudio realizado por investigadores de la Fuente Avanzada de Fotones (APS) y el Centro de Materiales a Nanoescala (CNM) del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), los científicos han emparejado XPCS con un algoritmo de aprendizaje automático no supervisado, una forma de red que no requiere formación experta. El algoritmo aprende por sí solo a reconocer patrones ocultos dentro de disposiciones de rayos X dispersados ​​por un coloide, un grupo de partículas suspendidas en una solución. La APS y el CNM son instalaciones para usuarios de la Oficina de Ciencias del DOE.

“El objetivo de la IA es simplemente tratar los patrones de dispersión como imágenes regulares y digerirlos para descubrir cuáles son los patrones que se repiten. La IA es una experta en reconocimiento de patrones”.

— James (Jay) Horwath, Laboratorio Nacional Argonne

"La forma en que entendemos cómo se mueven y cambian los materiales con el tiempo es mediante la recopilación de datos de dispersión de rayos X", dijo el investigador postdoctoral de Argonne, James (Jay) Horwath, primer autor del estudio.

Estos patrones son demasiado complicados para que los científicos los detecten sin la ayuda de la IA. "A medida que iluminamos el haz de rayos X, los patrones son tan diversos y tan complicados que resulta difícil incluso para los expertos entender lo que significan", dijo Horwath.

Para que los investigadores comprendan mejor lo que están estudiando, deben condensar todos los datos en huellas dactilares que contengan sólo la información más esencial sobre la muestra. "Se puede pensar que es como tener el genoma del material, tiene toda la información necesaria para reconstruir la imagen completa", dijo Horwath.

El proyecto se llama Inteligencia artificial para dinámicas de relajación en desequilibrio, o AI-NERD. Las huellas dactilares se crean mediante una técnica llamada codificador automático. Un codificador automático es un tipo de red neuronal que transforma los datos de la imagen original en la huella digital (llamada representación latente por los científicos) y que también incluye un algoritmo decodificador que se utiliza para pasar de la representación latente a la imagen completa.

El objetivo de los investigadores era intentar crear un mapa de las huellas dactilares del material, agrupando huellas dactilares con características similares en barrios. Al observar de manera integral las características de los diversos vecindarios de huellas dactilares en el mapa, los investigadores pudieron comprender mejor cómo se estructuraron los materiales y cómo evolucionaron con el tiempo a medida que estaban estresados ​​y relajados.

La IA, en pocas palabras, tiene buenas capacidades generales de reconocimiento de patrones, lo que le permite categorizar de manera eficiente las diferentes imágenes de rayos X y ordenarlas en el mapa. "El objetivo de la IA es simplemente tratar los patrones de dispersión como imágenes regulares y digerirlos para descubrir cuáles son los patrones que se repiten", dijo Horwath. "La IA es una experta en reconocimiento de patrones".

El uso de IA para comprender los datos dispersos será especialmente importante a medida que el APS actualizado esté en línea. La instalación mejorada generará haces de rayos X 500 veces más brillantes que el APS original. "Los datos que obtengamos del APS actualizado necesitarán el poder de la IA para clasificarlos", dijo Horwath.

El grupo teórico del CNM colaboró ​​con el grupo computacional de la división de Ciencias de rayos X de Argonne para realizar simulaciones moleculares de la dinámica de los polímeros demostrada por XPCS y, en el futuro, generar datos sintéticamente para entrenar flujos de trabajo de IA como AI-NERD.

El 15 de julio se publicó un artículo basado en el estudio en Nature Communications.