Méthode IA révolutionnaire crée des "empreintes digitales" matérielles précises

Le modèle AI-NERD apprend à produire une empreinte digitale unique pour chaque échantillon de données XPCS. La cartographie des empreintes digitales à partir d'un vaste ensemble de données expérimentales permet d'identifier des tendances et des modèles répétitifs, ce qui facilite notre compréhension de l'évolution des matériaux. Crédit : Laboratoire National d'Argonne

Des chercheurs du Laboratoire national d'Argonne ont développé une nouvelle technique utilisant la spectroscopie de corrélation de photons X et l'intelligence artificielle pour analyser les matériaux.

Cette méthode génère des « empreintes digitales » détaillées de matériaux, qui sont interprétées par l’IA pour révéler de nouvelles informations sur la dynamique des matériaux. L'approche, connue sous le nom d'AI-NERD, exploite l'apprentissage automatique non supervisé pour reconnaître et regrouper ces empreintes digitales, améliorant ainsi la compréhension du comportement des matériaux dans différentes conditions.

Comme les humains, les matériaux évoluent avec le temps. Ils se comportent également différemment lorsqu’ils sont stressés et détendus. Les scientifiques cherchant à mesurer la dynamique de modification des matériaux ont développé une nouvelle technique qui exploite la spectroscopie de corrélation de photons à rayons X (XPCS), l'intelligence artificielle (IA) et l'apprentissage automatique.

Cette technique crée des « empreintes digitales » de différents matériaux qui peuvent être lues et analysées par un réseau neuronal pour produire de nouvelles informations auxquelles les scientifiques ne pouvaient auparavant pas accéder. Un réseau neuronal est un modèle informatique qui prend des décisions de la même manière que le cerveau humain.

Dans une nouvelle étude menée par des chercheurs de l'Advanced Photon Source (APS) et du Center for Nanoscale Materials (CNM) du Laboratoire national d'Argonne du Département américain de l'énergie (DOE), les scientifiques ont associé XPCS à un algorithme d'apprentissage automatique non supervisé, une forme d'apprentissage neuronal. réseau qui ne nécessite aucune formation d’expert. L'algorithme apprend à reconnaître les motifs cachés dans les arrangements de rayons X diffusés par un colloïde – un groupe de particules en suspension dans une solution. L'APS et le CNM sont des installations utilisatrices du DOE Office of Science.

« Le but de l’IA est simplement de traiter les modèles de diffusion comme des images ou des images régulières et de les digérer pour déterminer quels sont les modèles répétitifs. L’IA est une experte en reconnaissance de formes.

— James (Jay) Horwath, Laboratoire national d'Argonne

"Nous comprenons comment les matériaux se déplacent et changent au fil du temps en collectant des données sur la diffusion des rayons X", a déclaré James (Jay) Horwath, chercheur postdoctoral à Argonne, premier auteur de l'étude.

Ces modèles sont trop compliqués à détecter pour les scientifiques sans l’aide de l’IA. "Lorsque nous émettons le faisceau de rayons X, les motifs sont si divers et si complexes qu'il devient difficile, même pour les experts, de comprendre ce que chacun d'entre eux signifie", a déclaré Horwath.

Pour que les chercheurs puissent mieux comprendre ce qu’ils étudient, ils doivent condenser toutes les données en empreintes digitales qui ne contiennent que les informations les plus essentielles sur l’échantillon. "Vous pouvez y penser comme si vous aviez le génome du matériau, il contient toutes les informations nécessaires pour reconstruire l'ensemble de l'image", a déclaré Horwath.

Le projet s’appelle Intelligence artificielle pour les dynamiques de relaxation hors équilibre, ou AI-NERD. Les empreintes digitales sont créées à l’aide d’une technique appelée auto-encodeur. Un auto-encodeur est un type de réseau neuronal qui transforme les données d’image originales en empreinte digitale – appelée représentation latente par les scientifiques – et qui comprend également un algorithme de décodage utilisé pour passer de la représentation latente à l’image complète.

L’objectif des chercheurs était d’essayer de créer une carte des empreintes digitales du matériau, en regroupant les empreintes digitales présentant des caractéristiques similaires dans les quartiers. En examinant de manière globale les caractéristiques des différents quartiers d’empreintes digitales sur la carte, les chercheurs ont pu mieux comprendre comment les matériaux étaient structurés et comment ils évoluaient au fil du temps, à mesure qu’ils étaient stressés et détendus.

En termes simples, l’IA possède de bonnes capacités générales de reconnaissance de formes, ce qui lui permet de catégoriser efficacement les différentes images radiographiques et de les trier sur la carte. "Le but de l'IA est simplement de traiter les modèles de diffusion comme des images ou des images régulières et de les digérer pour déterminer quels sont les modèles répétitifs", a déclaré Horwath. "L'IA est une experte en reconnaissance de formes."

L’utilisation de l’IA pour comprendre les données de diffusion sera particulièrement importante à mesure que l’APS mis à niveau sera mis en ligne. L'installation améliorée générera des faisceaux de rayons X 500 fois plus lumineux que l'APS d'origine. "Les données que nous obtenons de l'APS mis à niveau auront besoin de la puissance de l'IA pour les trier", a déclaré Horwath.

Le groupe théorique du CNM a collaboré avec le groupe informatique de la division des sciences des rayons X d'Argonne pour effectuer des simulations moléculaires de la dynamique des polymères démontrée par XPCS et générer à l'avenir des données synthétiques pour la formation des flux de travail d'IA comme l'AI-NERD.

Un article basé sur l'étude a été publié le 15 juillet dans Nature Communications.