Metodo IA Rivoluzionario Crea "Impronte Digitali" precise dei Materiali

Il modello AI-NERD impara a produrre un'impronta digitale univoca per ciascun campione di dati XPCS. La mappatura delle impronte digitali da un ampio set di dati sperimentali consente l’identificazione di tendenze e modelli ripetitivi che aiutano la nostra comprensione di come si evolvono i materiali. Credito: Laboratorio nazionale dell'Argonne

I ricercatori dell’Argonne National Laboratory hanno sviluppato una nuova tecnica che utilizza la spettroscopia di correlazione dei fotoni a raggi X e l’intelligenza artificiale per analizzare i materiali.

Questo metodo genera “impronte digitali” dettagliate dei materiali, che vengono interpretate dall’intelligenza artificiale per rivelare nuove informazioni sulla dinamica dei materiali. L’approccio, noto come AI-NERD, sfrutta l’apprendimento automatico senza supervisione per riconoscere e raggruppare queste impronte digitali, migliorando la comprensione del comportamento dei materiali in diverse condizioni.

Come le persone, i materiali si evolvono nel tempo. Si comportano diversamente anche quando sono stressati e rilassati. Gli scienziati che cercano di misurare la dinamica del cambiamento dei materiali hanno sviluppato una nuova tecnica che sfrutta la spettroscopia di correlazione dei fotoni dei raggi X (XPCS), l’intelligenza artificiale (AI) e l’apprendimento automatico.

Questa tecnica crea "impronte digitali" di diversi materiali che possono essere letti e analizzati da una rete neurale per produrre nuove informazioni a cui gli scienziati in precedenza non potevano accedere. Una rete neurale è un modello di computer che prende decisioni in modo simile al cervello umano.

In un nuovo studio condotto da ricercatori dell'Advanced Photon Source (APS) e del Center for Nanoscale Materials (CNM) presso l'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE), gli scienziati hanno accoppiato XPCS con un algoritmo di apprendimento automatico non supervisionato, una forma di neurone rete che non richiede formazione di esperti. L’algoritmo impara da solo a riconoscere i modelli nascosti all’interno delle disposizioni dei raggi X diffusi da un colloide, un gruppo di particelle sospese in soluzione. L'APS e il CNM sono strutture per gli utenti del DOE Office of Science.

“L’obiettivo dell’intelligenza artificiale è semplicemente quello di trattare gli schemi di dispersione come immagini o immagini regolari e digerirli per capire quali sono gli schemi ripetitivi. L’intelligenza artificiale è un’esperta nel riconoscimento dei modelli”.

— James (Jay) Horwath, Laboratorio nazionale dell'Argonne

"Il modo in cui comprendiamo come i materiali si muovono e cambiano nel tempo è raccogliendo dati sulla diffusione dei raggi X", ha affermato il ricercatore post-dottorato di Argonne James (Jay) Horwath, il primo autore dello studio.

Questi modelli sono troppo complicati perché gli scienziati possano rilevarli senza l’aiuto dell’intelligenza artificiale. "Mentre stiamo illuminando il raggio di raggi X, i modelli sono così diversi e così complicati che diventa difficile anche per gli esperti capire cosa significano", ha detto Horwath.

Affinché i ricercatori possano comprendere meglio ciò che stanno studiando, devono condensare tutti i dati in impronte digitali che contengano solo le informazioni più essenziali sul campione. "Puoi pensarlo come se avessi il genoma del materiale, ha tutte le informazioni necessarie per ricostruire l'intero quadro", ha detto Horwath.

Il progetto si chiama Intelligenza Artificiale per le dinamiche di rilassamento non-equilibrio, o AI-NERD. Le impronte digitali vengono create utilizzando una tecnica chiamata autoencoder. Un autocodificatore è un tipo di rete neurale che trasforma i dati dell'immagine originale nell'impronta digitale - chiamata dagli scienziati rappresentazione latente - e che include anche un algoritmo di decodificazione utilizzato per passare dalla rappresentazione latente all'immagine completa.

L’obiettivo dei ricercatori era provare a creare una mappa delle impronte digitali del materiale, raggruppando impronte digitali con caratteristiche simili in quartieri. Osservando in modo olistico le caratteristiche dei vari quartieri delle impronte digitali sulla mappa, i ricercatori sono stati in grado di comprendere meglio come erano strutturati i materiali e come si sono evoluti nel tempo quando venivano stressati e rilassati.

L’intelligenza artificiale, in poche parole, ha buone capacità generali di riconoscimento dei modelli, che la rendono in grado di classificare in modo efficiente le diverse immagini a raggi X e ordinarle nella mappa. "L'obiettivo dell'intelligenza artificiale è semplicemente quello di trattare gli schemi di dispersione come immagini o immagini regolari e digerirli per capire quali sono gli schemi ripetitivi", ha affermato Horwath. "L'intelligenza artificiale è un esperto nel riconoscimento dei modelli. "

Usare l’intelligenza artificiale per comprendere i dati di dispersione sarà particolarmente importante quando l’APS aggiornato sarà online. La struttura migliorata genererà fasci di raggi X 500 volte più luminosi rispetto all’APS originale. "I dati che otteniamo dall'APS aggiornato avranno bisogno della potenza dell'intelligenza artificiale per analizzarli", ha affermato Horwath.

Il gruppo teorico del CNM ha collaborato con il gruppo computazionale della divisione X-ray Science di Argonne per eseguire simulazioni molecolari della dinamica dei polimeri dimostrata da XPCS e in futuro generare sinteticamente dati per l’addestramento di flussi di lavoro AI come AI-NERD.

Un articolo basato sullo studio è stato pubblicato il 15 luglio su Nature Communications.