Rewolucyjna metoda sztucznej inteligencji tworzy precyzyjne "odciski palców" materiałów

Model AI-NERD uczy się tworzyć unikalny odcisk palca dla każdej próbki danych XPS. Mapowanie odcisków palców z dużego eksperymentalnego zbioru danych umożliwia identyfikację trendów i powtarzających się wzorców, co pomaga nam zrozumieć ewolucję materiałów. Źródło: Krajowe Laboratorium Argonne

Naukowcy z Narodowego Laboratorium Argonne opracowali nową technikę wykorzystującą spektroskopię korelacji fotonów rentgenowskich i sztuczną inteligencję do analizy materiałów.

Metoda ta generuje szczegółowe „odciski palców” materiałów, które są interpretowane przez sztuczną inteligencję w celu ujawnienia nowych informacji na temat dynamiki materiałów. Podejście, znane jako AI-NERD, wykorzystuje uczenie maszynowe bez nadzoru do rozpoznawania i grupowania tych odcisków palców, zwiększając zrozumienie zachowania materiałów w różnych warunkach.

Podobnie jak ludzie, materiały ewoluują z biegiem czasu. Zachowują się też inaczej, gdy są zestresowani i zrelaksowani. Naukowcy chcący zmierzyć dynamikę zmian materiałów opracowali nową technikę, która wykorzystuje rentgenowską spektroskopię korelacji fotonów (XPCS), sztuczną inteligencję (AI) i uczenie maszynowe.

Technika ta tworzy „odciski palców” różnych materiałów, które mogą być odczytywane i analizowane przez sieć neuronową w celu uzyskania nowych informacji, do których naukowcy wcześniej nie mieli dostępu. Sieć neuronowa to model komputerowy, który podejmuje decyzje w sposób podobny do ludzkiego mózgu.

W nowym badaniu przeprowadzonym przez naukowców z Advanced Photon Source (APS) i Centrum Materiałów Nanoskali (CNM) w Narodowym Laboratorium Argonne Departamentu Energii Stanów Zjednoczonych (DOE) naukowcy połączyli XPCS z algorytmem uczenia maszynowego bez nadzoru, formą neuronowego sieć, która nie wymaga specjalistycznego szkolenia. Algorytm uczy się rozpoznawać wzory ukryte w układach promieni rentgenowskich rozproszonych przez koloid – grupę cząstek zawieszonych w roztworze. APS i CNM są urządzeniami użytkownika DOE Office of Science.

„Celem sztucznej inteligencji jest po prostu traktowanie wzorców rozpraszania jak zwykłych obrazów lub obrazów i analizowanie ich w celu ustalenia, jakie są powtarzające się wzorce. Sztuczna inteligencja jest ekspertem w rozpoznawaniu wzorców.”

— James (Jay) Horwath, Narodowe Laboratorium Argonne

„Sposób, w jaki rozumiemy przemieszczanie się i zmiany materiałów w czasie, polega na gromadzeniu danych dotyczących rozpraszania promieni rentgenowskich” – powiedział James (Jay) Horwath, badacz z tytułem doktora Argonne, pierwszy autor badania.

Wzorce te są zbyt skomplikowane, aby naukowcy mogli je wykryć bez pomocy sztucznej inteligencji. „Kiedy świecimy wiązką promieniowania rentgenowskiego, wzory są tak różnorodne i skomplikowane, że nawet ekspertom trudno jest zrozumieć, co którykolwiek z nich oznacza” – powiedział Horwath.

Aby badacze mogli lepiej zrozumieć, co badają, muszą skondensować wszystkie dane w odciski palców, które niosą tylko najważniejsze informacje o próbce. „Można o tym pomyśleć jak o genomie materiału, zawiera on wszystkie informacje niezbędne do zrekonstruowania całego obrazu” – powiedział Horwath.

Projekt nosi nazwę Sztuczna inteligencja dla dynamiki relaksacji nierównowagowej, w skrócie AI-NERD. Odciski palców tworzone są przy użyciu techniki zwanej autoenkoderem. Autoenkoder to rodzaj sieci neuronowej, która przekształca dane oryginalnego obrazu w odcisk palca – nazywany przez naukowców reprezentacją ukrytą – i który obejmuje również algorytm dekodera używany do przejścia od ukrytej reprezentacji z powrotem do pełnego obrazu.

Celem badaczy była próba stworzenia mapy odcisków palców materiału, grupując odciski palców o podobnych cechach w dzielnicach. Patrząc całościowo na cechy różnych dzielnic odcisków palców na mapie, badacze byli w stanie lepiej zrozumieć strukturę materiałów i ewolucję w czasie, gdy byli zestresowani i zrelaksowani.

Mówiąc najprościej, sztuczna inteligencja ma dobre ogólne możliwości rozpoznawania wzorców, dzięki czemu jest w stanie skutecznie kategoryzować różne obrazy rentgenowskie i sortować je na mapie. „Celem sztucznej inteligencji jest po prostu traktowanie wzorców rozpraszania jak zwykłych obrazów lub obrazów i analizowanie ich w celu ustalenia, jakie są powtarzające się wzorce” – powiedział Horwath. „Sztuczna inteligencja jest ekspertem w rozpoznawaniu wzorców”.

Wykorzystanie sztucznej inteligencji do zrozumienia danych dotyczących rozproszenia będzie szczególnie ważne, gdy ulepszony APS zostanie udostępniony online. Ulepszony obiekt będzie generował 500 razy jaśniejsze wiązki promieniowania rentgenowskiego niż oryginalny APS. „Dane, które otrzymamy z ulepszonego APS, będą wymagały mocy sztucznej inteligencji, aby je uporządkować” – powiedział Horwath.

Grupa teoretyczna w CNM współpracowała z grupą obliczeniową w dziale X-ray Science firmy Argonne, aby przeprowadzić symulacje molekularne dynamiki polimerów wykazanej przez XPCS i w przyszłości syntetycznie generować dane na potrzeby szkolenia przepływów pracy AI, takich jak AI-NERD.

Artykuł oparty na badaniu został opublikowany 15 lipca w czasopiśmie Nature Communications.