Materialwissenschaftler versuchen ständig, neue Materialien mit bestimmten Eigenschaften zu finden, aber die experimentellen Daten, die sie durchforsten müssen, sind überwältigend. Wissenschaftler der University of Rochester haben maschinelles Lernen eingesetzt, um die Entdeckung neuer Materialien zu beschleunigen.
Kristalline Materialien haben eine geordnete, sich wiederholende Kristallgitterstruktur, eine regelmäßige, sich wiederholende Anordnung von Atomen, Ionen oder Molekülen. Die Anordnung dieser Kristallgitter ist es, die einem Material bestimmte Eigenschaften verleiht.
Sie wollen ein Material, das hart ist, hohen Temperaturen standhält und leicht ist? Um das zu erreichen, muss man genau die richtige Gitterstruktur haben.
Wenn Materialwissenschaftler eine kleine Menge eines neuen Materials synthetisieren, wollen sie wissen, welche Eigenschaften es haben wird, um zu entscheiden, ob es für eine bestimmte Anwendung geeignet ist oder nicht.
Dazu verwenden sie ein Verfahren namens Röntgenbeugung (XRD). Die Materialprobe wird normalerweise zu einem feinen Pulver gemahlen und dann mit Röntgenstrahlen bestrahlt. Wenn die Röntgenstrahlen auf die Atome im Material treffen, werden sie je nach der Anordnung der Atome in verschiedene Richtungen gebeugt.
Die gebeugten Röntgenstrahlen erzeugen ein Muster auf einem Detektor, das die Wissenschaftler analysieren müssen, um auf die Eigenschaften des Materials zu schließen. Das Problem ist, dass die Röntgendiffraktometrie eine riesige Menge an Daten erzeugt, die der Mensch nicht effektiv verarbeiten kann.
Automatisierung der Materialanalyse
Die Studieunter der Leitung eines Doktoranden der Materialwissenschaften Jerardo Salgadoentwickelte Deep-Learning-Modelle, um die Klassifizierung von Materialien anhand ihrer XRD-Muster zu automatisieren.
Bei den verwendeten maschinellen Lernmodellen handelt es sich um Faltungsneuronale Netze (CNNs), eine Art neuronales Netz, das sich besonders gut für Bilderkennungs- und Klassifizierungsaufgaben eignet.
Die Modelle wurden anhand eines großen Datensatzes synthetischer XRD-Muster trainiert, die eine breite Palette von Versuchsbedingungen und Materialtypen repräsentieren.
Projektleitung Niaz AbdolrahimEin Professor für Maschinenbau an der University of Rochester sagte: "In jedem dieser Bilder steckt eine Menge Materialwissenschaft und Physik, und jeden Tag werden in Einrichtungen und Labors auf der ganzen Welt Terabytes an Daten produziert."
Abdolrahim erklärt die Vorteile des maschinellen Lernens in seinem Fachgebiet: "Die Entwicklung eines guten Modells zur Analyse dieser Daten kann wirklich dazu beitragen, Materialinnovationen zu beschleunigen, Materialien unter extremen Bedingungen zu verstehen und Materialien für verschiedene technologische Anwendungen zu entwickeln."
Der Einsatz von Modellen des maschinellen Lernens zur Filterung von XRD-Daten könnte die Entwicklung schnellerer Elektronik, besserer Batterien oder sogar von Alltagsgegenständen mit verbesserter Haltbarkeit, Funktionalität oder Nachhaltigkeit beschleunigen.
Forscher des Zentrum für Materie bei atomarem Druck haben ein besonderes Interesse an dieser Anwendung des maschinellen Lernens. Der Einsatz von XRD, während Materialien extremen Drücken und Temperaturen ausgesetzt werden, wird den Wissenschaftlern nicht nur helfen, Wege zur Schaffung neuer Materialien zu finden, sondern auch etwas über die Entstehung von Sternen und Planeten zu erfahren.
Der Einsatz von KI zur Befreiung wissenschaftlicher Köpfe von der mühsamen Datenanalyse wird ihr kreatives Denken besser auf die Entwicklung der Materialien lenken, die unsere Zukunft gestalten werden.
