Gli scienziati dei materiali cercano costantemente di trovare nuovi materiali con proprietà specifiche, ma i dati sperimentali che devono analizzare sono schiaccianti. Gli scienziati dell'Università di Rochester hanno utilizzato l'apprendimento automatico per accelerare la scoperta di nuovi materiali.
I materiali cristallini hanno una struttura reticolare cristallina ben ordinata e ripetuta, una disposizione regolare e ripetuta di atomi, ioni o molecole. La disposizione di questi reticoli cristallini conferisce al materiale proprietà specifiche.
Volete un materiale che sia duro, resistente alle alte temperature e leggero? Per farlo, è necessario ottenere la giusta struttura reticolare.
Quando gli scienziati dei materiali sintetizzano una piccola quantità di un nuovo materiale, vogliono sapere che tipo di proprietà avrà per decidere se è fattibile o meno per una particolare applicazione.
Per farlo, utilizzano un processo chiamato diffrazione dei raggi X (XRD). Il campione di materiale viene normalmente macinato in una polvere fine e poi esposto ai raggi X. I raggi X colpiscono gli atomi del materiale e vengono diffratti in varie direzioni, a seconda della disposizione degli atomi. Quando i raggi X colpiscono gli atomi del materiale, vengono diffratti in varie direzioni, a seconda della disposizione atomica.
I raggi X diffratti creano un modello su un rivelatore che gli scienziati devono analizzare per dedurre le proprietà del materiale. Il problema è che la XRD produce un'enorme quantità di dati che l'uomo non è in grado di elaborare in modo efficace.
Automatizzazione dell'analisi dei materiali
Lo studioguidato da uno studente di dottorato in scienze dei materiali Jerardo Salgadoha sviluppato modelli di deep learning per automatizzare la classificazione dei materiali in base ai loro modelli XRD.
I modelli di apprendimento automatico utilizzati impiegano le reti neurali convoluzionali (CNN), un tipo di rete neurale molto efficace nel riconoscimento e nella classificazione delle immagini.
I modelli sono stati addestrati su un ampio set di modelli XRD sintetici, generati per rappresentare un'ampia gamma di condizioni sperimentali e tipi di materiali.
Responsabile del progetto Niaz AbdolrahimIl professore di ingegneria meccanica dell'Università di Rochester ha dichiarato: "In ognuna di queste immagini si nasconde una grande quantità di scienza dei materiali e di fisica, e ogni giorno vengono prodotti terabyte di dati in strutture e laboratori di tutto il mondo".
Spiegando i vantaggi dell'apprendimento automatico nel suo campo, Abdolrahim ha detto: "Lo sviluppo di un buon modello per analizzare questi dati può davvero aiutare ad accelerare l'innovazione dei materiali, a comprendere i materiali in condizioni estreme e a sviluppare materiali per diverse applicazioni tecnologiche".
L'utilizzo di modelli di apprendimento automatico per filtrare i dati XRD potrebbe accelerare lo sviluppo di elettronica più veloce, di batterie migliori o persino di oggetti di uso quotidiano con maggiore durata, funzionalità o sostenibilità.
I ricercatori del Centro per la materia a pressione atomica hanno un interesse particolare per questa applicazione dell'apprendimento automatico. L'uso della XRD durante l'esposizione dei materiali a pressioni e temperature estreme aiuterà gli scienziati non solo a scoprire come creare nuovi materiali, ma anche a conoscere la formazione di stelle e pianeti.
L'utilizzo dell'intelligenza artificiale per liberare le menti scientifiche dalla fatica dell'analisi dei dati consentirà di indirizzare meglio il loro pensiero creativo verso la progettazione dei materiali che daranno forma al nostro futuro.
