Revolutionär AI-metod skapar exakta material "fingeravtryck"

AI-NERD-modellen lär sig att producera ett unikt fingeravtryck för varje prov av XPCS-data. Kartläggning av fingeravtryck från en stor experimentell datauppsättning möjliggör identifiering av trender och upprepade mönster som hjälper oss att förstå hur material utvecklas. Kredit: Argonne National Laboratory

Forskare vid Argonne National Laboratory har utvecklat en ny teknik som använder röntgenfotonkorrelationsspektroskopi och artificiell intelligens för att analysera material.

Denna metod genererar detaljerade "fingeravtryck" av material, som tolkas av AI för att avslöja ny information om materialdynamik. Tillvägagångssättet, känt som AI-NERD, utnyttjar oövervakad maskininlärning för att känna igen och gruppera dessa fingeravtryck, vilket förbättrar förståelsen av materiellt beteende under olika förhållanden.

Liksom människor utvecklas material över tiden. De beter sig också annorlunda när de är stressade och avslappnade. Forskare som vill mäta dynamiken i hur material förändras har utvecklat en ny teknik som utnyttjar röntgenfotonkorrelationsspektroskopi (XPCS), artificiell intelligens (AI) och maskininlärning.

Denna teknik skapar "fingeravtryck" av olika material som kan läsas och analyseras av ett neuralt nätverk för att ge ny information som forskare tidigare inte kunde komma åt. Ett neuralt nätverk är en datormodell som fattar beslut på ett sätt som liknar den mänskliga hjärnan.

I en ny studie av forskare vid Advanced Photon Source (APS) och Center for Nanoscale Materials (CNM) vid U.S. Department of Energys (DOE) Argonne National Laboratory, har forskare parat ihop XPCS med en oövervakad maskininlärningsalgoritm, en form av neural nätverk som inte kräver någon expertutbildning. Algoritmen lär sig själv att känna igen mönster gömda i arrangemang av röntgenstrålar spridda av en kolloid - en grupp partiklar suspenderade i lösning. APS och CNM är DOE Office of Science användarfaciliteter.

"Målet med AI är bara att behandla spridningsmönstren som vanliga bilder eller bilder och smälta dem för att ta reda på vad som är de återkommande mönstren. AI är en expert på mönsterigenkänning.”

— James (Jay) Horwath, Argonne National Laboratory

"Sättet vi förstår hur material rör sig och förändras över tiden är genom att samla in röntgenspridningsdata", säger Argonne postdoktor James (Jay) Horwath, den första författaren till studien.

Dessa mönster är för komplicerade för forskare att upptäcka utan hjälp av AI. "När vi lyser med röntgenstrålen är mönstren så olika och så komplicerade att det blir svårt även för experter att förstå vad någon av dem betyder," sa Horwath.

För att forskarna bättre ska förstå vad de studerar måste de kondensera all data till fingeravtryck som bara innehåller den viktigaste informationen om provet. "Du kan tänka på det som att ha materialets genom, det har all information som behövs för att rekonstruera hela bilden," sa Horwath.

Projektet heter Artificial Intelligence for Non-Equilibrium Relaxation Dynamics, eller AI-NERD. Fingeravtrycken skapas med hjälp av en teknik som kallas autoencoder. En autoencoder är en typ av neuralt nätverk som omvandlar den ursprungliga bilddatan till fingeravtrycket - som kallas en latent representation av forskare - och som också inkluderar en avkodaralgoritm som används för att gå från den latenta representationen tillbaka till den fullständiga bilden.

Målet för forskarna var att försöka skapa en karta över materialets fingeravtryck, genom att samla fingeravtryck med liknande egenskaper i stadsdelar. Genom att titta holistiskt på egenskaperna hos de olika fingeravtryckskvarteren på kartan kunde forskarna bättre förstå hur materialen var uppbyggda och hur de utvecklades över tiden när de var stressade och avslappnade.

AI, enkelt uttryckt, har goda generella mönsterigenkänningsmöjligheter, vilket gör det möjligt att effektivt kategorisera de olika röntgenbilderna och sortera dem i kartan. "Målet med AI är bara att behandla spridningsmönstren som vanliga bilder eller bilder och smälta dem för att ta reda på vad som är de återkommande mönstren," sa Horwath. "AI är en expert på mönsterigenkänning."

Att använda AI för att förstå spridningsdata kommer att vara särskilt viktigt eftersom den uppgraderade APS kommer online. Den förbättrade anläggningen kommer att generera 500 gånger ljusare röntgenstrålar än den ursprungliga APS. "Datan vi får från den uppgraderade APS kommer att behöva kraften hos AI för att sortera igenom den," sa Horwath.

Teorigruppen vid CNM samarbetade med beräkningsgruppen i Argonnes X-ray Science-avdelning för att utföra molekylära simuleringar av polymerdynamiken som demonstreras av XPCS och framöver syntetiskt generera data för träning av AI-arbetsflöden som AI-NERD.

Ett papper baserat på studien publicerades den 15 juli i Nature Communications.