Materialeforskere forsøger konstant at finde nye materialer med specifikke egenskaber, men de eksperimentelle data, de skal gennemgå, er overvældende. Forskere ved University of Rochester brugte maskinlæring til at fremskynde opdagelsen af nye materialer.
Krystallinske materialer har en velordnet, gentagen krystalgitterstruktur, et regelmæssigt, gentaget arrangement af atomer, ioner eller molekyler. Arrangementet af disse krystalgitre er det, der giver et materiale specifikke egenskaber.
Vil du have et materiale, der er hårdt, kan klare høje temperaturer og er let? Du skal have den helt rigtige gitterstruktur for at få det til at ske.
Når materialeforskere syntetiserer en lille mængde af et nyt materiale, vil de gerne vide, hvilke egenskaber det vil have, så de kan beslutte, om det er brugbart til en bestemt anvendelse eller ej.
De bruger en proces kaldet røntgendiffraktion (XRD) til at gøre dette. Materialeprøven males normalt til et fint pulver og udsættes derefter for røntgenstråler. Når røntgenstrålerne rammer atomerne i materialet, afbøjes de i forskellige retninger, afhængigt af atomernes placering.
De afbøjede røntgenstråler skaber et mønster på en detektor, som forskerne skal analysere for at udlede materialets egenskaber. Problemet er, at XRD producerer en enorm mængde data, som mennesker ikke er i stand til at behandle effektivt.
Automatisering af materialeanalyse
Undersøgelsenledet af ph.d.-studerende i materialevidenskab Jerardo Salgadoudviklede deep learning-modeller til at automatisere klassificeringen af materialer baseret på deres XRD-mønstre.
De maskinlæringsmodeller, de brugte, anvender convolutional neural networks (CNN'er), en type neurale netværk, der er rigtig gode til at udføre billedgenkendelses- og klassificeringsopgaver.
Modellerne blev trænet på et stort datasæt med syntetiske XRD-mønstre, som blev genereret for at repræsentere en bred vifte af eksperimentelle forhold og materialetyper.
Projektleder Niaz AbdolrahimDer er en masse materialevidenskab og fysik gemt i hvert eneste af disse billeder, og der produceres terabytes af data hver dag på anlæg og laboratorier over hele verden", siger professor i maskinteknik ved University of Rochester.
Abdolrahim forklarede fordelene ved maskinlæring inden for sit felt: "At udvikle en god model til at analysere disse data kan virkelig hjælpe med at fremskynde materialeinnovation, forstå materialer under ekstreme forhold og udvikle materialer til forskellige teknologiske anvendelser."
Brug af maskinlæringsmodeller til at filtrere XRD-data kan fremskynde udviklingen af hurtigere elektronik, bedre batterier eller endda hverdagsting med forbedret holdbarhed, funktionalitet eller bæredygtighed.
Forskere fra Center for stof ved atomare tryk har en særlig interesse i denne anvendelse af maskinlæring. Ved at bruge XRD, mens man udsætter materialer for ekstreme tryk og temperaturer, kan forskere ikke kun opdage måder at skabe nye materialer på, men også lære om dannelsen af stjerner og planeter.
Ved at bruge AI til at frigøre videnskabelige hjerner fra dataanalysens trælse arbejde vil deres kreative tænkning blive bedre til at designe de materialer, der vil forme vores fremtid.
