Revolutionaire AI Methode Creëert Precieze Materiaal "Vingerafdrukken"
![](/images/blog/c44e5527430a05cd2346e621eb11c265.jpg)
Het AI-NERD-model leert om voor elk monster van XPCS-gegevens een unieke vingerafdruk te produceren. Het in kaart brengen van vingerafdrukken uit een grote experimentele dataset maakt de identificatie van trends en herhalende patronen mogelijk, wat bijdraagt aan ons begrip van hoe materialen evolueren. Krediet: Argonne National Laboratory
Onderzoekers van het Argonne National Laboratory hebben een nieuwe techniek ontwikkeld met behulp van Röntgenfotoncorrelatiespectroscopie en kunstmatige intelligentie om materialen te analyseren.
Deze methode genereert gedetailleerde "vingerafdrukken" van materialen, die door AI worden geïnterpreteerd om nieuwe informatie over materiaaldynamiek te onthullen. De aanpak, bekend als AI-NERD, maakt gebruik van ongesuperviseerd machinaal leren om deze vingerafdrukken te herkennen en clusteren, wat het begrip van het gedrag van materialen onder verschillende omstandigheden verbetert.
Net als mensen evolueren materialen in de loop van de tijd. Ze gedragen zich ook anders wanneer ze gestrest en ontspannen zijn. Wetenschappers die de dynamiek willen meten van hoe materialen veranderen hebben een nieuwe techniek ontwikkeld die gebruik maakt van Röntgenfotoncorrelatiespectroscopie (XPCS), kunstmatige intelligentie (AI) en machinaal leren.
Deze techniek creëert "vingerafdrukken" van verschillende materialen die kunnen worden gelezen en geanalyseerd door een neuraal netwerk om nieuwe informatie op te leveren die wetenschappers eerder niet konden raadplegen. Een neuraal netwerk is een computermodel dat beslissingen neemt op een manier die lijkt op de menselijke hersenen.
In een nieuwe studie door onderzoekers in de Advanced Photon Source (APS) en het Center for Nanoscale Materials (CNM) van het Argonne National Laboratory van het Amerikaanse ministerie van Energie (DOE) hebben wetenschappers XPCS gekoppeld aan een ongesuperviseerd machinaal leeralgoritme, een vorm van neuraal netwerk dat geen deskundige training vereist. Het algoritme leert zichzelf om patronen te herkennen die verborgen zijn binnen arrangementen van röntgenstraling die verstrooid worden door een colloïde - een groep deeltjes die in oplossing zijn opgeschort. De APS en CNM zijn door de DOE Office of Science gefinancierde gebruikersfaciliteiten.
"Het doel van de AI is gewoon om de verstrooipatronen te behandelen als reguliere afbeeldingen of foto's en ze te verteren om uit te vinden wat de herhalende patronen zijn. De AI is een expert in patroonherkenning."
– James (Jay) Horwath, Argonne National Laboratory
"De manier waarop we begrijpen hoe materialen bewegen en veranderen in de tijd is door gegevens over röntgenscattering te verzamelen," zei de postdoctoraal onderzoeker van Argonne, James (Jay) Horwath, de eerste auteur van de studie.
Deze patronen zijn te gecompliceerd voor wetenschappers om zonder de hulp van AI te detecteren. "Terwijl we de röntgenstraal laten schijnen, zijn de patronen zo divers en zo ingewikkeld dat het zelfs voor experts moeilijk wordt om te begrijpen wat ze betekenen," zei Horwath.
Om beter te begrijpen waar ze mee bezig zijn, moeten onderzoekers alle gegevens samenvatten tot vingerafdrukken die alleen de meest essentiële informatie over het monster bevatten. "Je kunt het vergelijken met het hebben van het genoom van het materiaal, het bevat alle informatie die nodig is om het volledige plaatje te reconstrueren," zei Horwath.
Het project heet Artificial Intelligence for Non-Equilibrium Relaxation Dynamics, of AI-NERD. De vingerafdrukken worden gemaakt door gebruik te maken van een techniek genaamd een auto-encoder. Een auto-encoder is een type neuraal netwerk dat de originele beeldgegevens omzet in de vingerafdruk - genaamd een latente representatie door wetenschappers - en dat ook een decoderingsalgoritme omvat dat wordt gebruikt om vanuit de latente representatie terug te gaan naar het volledige beeld.
Het doel van de onderzoekers was om een kaart te proberen maken van de vingerafdrukken van het materiaal, waarbij vingerafdrukken met vergelijkbare kenmerken in buurten worden gebundeld. Door holistisch naar de kenmerken van de verschillende vingerafdrukbuurten op de kaart te kijken, konden de onderzoekers beter begrijpen hoe de materialen gestructureerd waren en hoe ze in de tijd evolueerden terwijl ze werden gestrest en ontspannen.
AI heeft simpel gezegd goede algemene patroonherkenningscapaciteiten, waardoor het efficiënt de verschillende röntgenbeelden kan categoriseren en in de kaart kan sorteren. "Het doel van de AI is gewoon om de verstrooipatronen te behandelen als reguliere afbeeldingen of foto's en ze te verteren om uit te vinden wat de herhalende patronen zijn," zei Horwath. "De AI is een patroonherkenningsdeskundige."
Het gebruik van AI om verstrooiingsgegevens te begrijpen zal vooral belangrijk zijn wanneer de opgewaardeerde APS online komt. De verbeterde faciliteit zal 500 keer helderder röntgenstralen genereren dan de oorspronkelijke APS. "De gegevens die we krijgen van de opgewaardeerde APS zullen de kracht van AI nodig hebben om er doorheen te sorteren," zei Horwath.
De theoretische groep bij CNM werkte samen met de rekenkundige groep in de X-ray Science-divisie van Argonne om moleculaire simulaties uit te voeren van de polymeerdynamica die wordt gedemonstreerd door XPCS en om synthetisch gegevens te genereren voor het trainen van AI-workflows zoals de AI-NERD.
Een paper gebaseerd op de studie werd gepubliceerd op 15 juli in Nature Communications.