研究人员在人工智能协助下创造出精确的"材料指纹"

摘要:

阿贡国家实验室的研究人员利用 X 射线光子相关光谱学和人工智能开发出一种分析材料的新技术。这种方法能生成材料的详细"指纹",通过人工智能的解读,揭示材料动力学的新信息。这种方法被称为 AI-NERD,利用无监督机器学习来识别和聚类这些"指纹",从而加深对不同条件下材料行为的理解。

AI-NERD-Model.jpg

AI-NERD 模型通过学习为每个 XPCS 数据样本生成独特的指纹。通过绘制大型实验数据集的指纹图谱,可以识别趋势和重复模式,从而帮助我们了解材料是如何演变的。资料来源:阿贡国家实验室

与人一样,材料也会随着时间的推移而变化。它们在受压和放松时也会表现出不同的行为。希望测量材料变化动态的科学家们开发了一种新技术,该技术利用了 X 射线光子相关光谱(XPCS)、人工智能(AI)和机器学习。

利用人工智能创新材料识别

这种技术可以创建不同材料的"指纹",神经网络可以读取和分析这些"指纹",从而获得科学家以前无法获得的新信息。神经网络是一种计算机模型,其决策方式与人脑类似。

在美国能源部(DOE)阿贡国家实验室先进光子源(APS)和纳米材料中心(CNM)研究人员的一项新研究中,科学家们将XPCS与一种无监督机器学习算法(一种无需专家培训的神经网络)配对使用。该算法可以自学识别胶体(悬浮在溶液中的一组粒子)散射的X射线排列中隐藏的模式。APS 和 CNM 是能源部科学办公室的用户设施。

X 射线散射数据的复杂性

阿贡博士后研究员詹姆斯-霍沃斯(James (Jay) Horwath)是这项研究的第一作者,他说:"我们了解材料如何随时间移动和变化的方法就是收集 X 射线散射数据。"

这些图案过于复杂,如果没有人工智能的帮助,科学家们根本无法发现。霍沃斯说:"在我们照射X 射线光束时,这些图案是如此多样和复杂,以至于即使是专家也很难理解其中任何图案的含义。"

为了让研究人员更好地了解他们正在研究的东西,他们必须将所有数据浓缩成指纹,这些指纹只携带有关样本的最基本信息。霍沃斯说:"你可以把它想象成材料的基因组,它包含了重建全貌所需的所有信息。"

AI-NERD:绘制材料指纹

该项目名为"非平衡松弛动力学人工智能"(AI-NERD)。指纹是通过一种名为自动编码器的技术创建的。自动编码器是一种神经网络,它能将原始图像数据转换成指纹(科学家称之为潜在表示),其中还包括一种解码器算法,用于从潜在表示返回到完整图像。

研究人员的目标是尝试绘制材料指纹图谱,将具有相似特征的指纹聚集成邻域。通过全面观察地图上各个指纹邻域的特征,研究人员能够更好地了解材料的结构,以及材料在受力和松弛过程中是如何随时间演变的。

简单地说,人工智能具有良好的一般模式识别能力,因此能够有效地将不同的 X 射线图像分类,并将它们整理到地图中。"人工智能的目标只是把散射模式当作常规图像或图片来处理,并消化它们,找出哪些是重复模式,"霍沃斯说。"人工智能是模式识别专家"。

随着升级版 APS 的上线,使用人工智能来理解散射数据将变得尤为重要。改进后的设施将产生比原来的 APS 亮 500 倍的 X 射线束。Horwath说:"我们从升级版APS获得的数据需要人工智能的力量来进行分类。

模拟材料动力学的合作努力

CNM 的理论小组与阿贡 X 射线科学部门的计算小组合作,对 XPCS 所展示的聚合物动力学进行分子模拟,并为 AI-NERD 等人工智能工作流程的训练合成数据。

根据这项研究撰写的论文于 7 月 15 日发表在《自然通讯》上。

编译自/ScitechDaily

查看评论
created by ceallan