Materialforskere prøver hele tiden å finne nye materialer med spesifikke egenskaper, men de eksperimentelle dataene de må gå gjennom, er overveldende. Forskere ved University of Rochester brukte maskinlæring for å finne nye materialer raskere.
Krystallinske materialer har en velordnet, repeterende krystallgitterstruktur, et regelmessig, repeterende arrangement av atomer, ioner eller molekyler. Det er arrangementet av disse krystallgitrene som gir et materiale spesifikke egenskaper.
Vil du ha et materiale som er hardt, tåler høye temperaturer og er lett? Da må du finne den rette gitterstrukturen for å få det til.
Når materialforskere syntetiserer en liten mengde av et nytt materiale, ønsker de å vite hva slags egenskaper det vil ha, slik at de kan avgjøre om det er egnet til et bestemt bruksområde eller ikke.
De bruker en prosess som kalles røntgendiffraksjon (XRD) for å gjøre dette. Materialprøven males vanligvis til et fint pulver og eksponeres deretter for røntgenstråler. Når røntgenstrålene treffer atomene i materialet, blir de diffraktert i ulike retninger, avhengig av hvordan atomene er ordnet.
De diffrakterte røntgenstrålene skaper et mønster på en detektor som forskerne må analysere for å finne ut hvilke egenskaper materialet har. Problemet er at røntgenanalyse produserer en enorm mengde data som mennesker ikke er i stand til å behandle på en effektiv måte.
Automatisering av materialanalyse
Studienledet av doktorgradsstipendiat i materialvitenskap Jerardo Salgadoutviklet dyplæringsmodeller for å automatisere klassifiseringen av materialer basert på XRD-mønstrene deres.
Maskinlæringsmodellene de brukte, benytter konvolusjonale nevrale nettverk (CNN), en type nevrale nettverk som er veldig gode til å utføre bildegjenkjenning og klassifiseringsoppgaver.
Modellene ble trent på et stort datasett med syntetiske XRD-mønstre, som ble generert for å representere et bredt spekter av eksperimentelle forhold og materialtyper.
Prosjektleder Niaz Abdolrahim"Det ligger mye materialvitenskap og fysikk gjemt i hvert eneste av disse bildene, og hver dag produseres det terabytes med data ved anlegg og laboratorier over hele verden", sier professor i maskinteknikk ved University of Rochester.
Abdolrahim forklarer fordelene med maskinlæring på sitt felt: "Å utvikle en god modell for å analysere disse dataene kan virkelig bidra til å fremskynde materialinnovasjon, forstå materialer under ekstreme forhold og utvikle materialer for ulike teknologiske bruksområder."
Ved å bruke maskinlæringsmodeller til å filtrere XRD-data kan man fremskynde utviklingen av raskere elektronikk, bedre batterier eller til og med dagligdagse gjenstander med forbedret holdbarhet, funksjonalitet eller bærekraft.
Forskere fra Senter for materie ved atomtrykk har en spesiell interesse for denne anvendelsen av maskinlæring. Ved å bruke XRD mens materialer utsettes for ekstreme trykk og temperaturer, kan forskere ikke bare finne nye måter å skape nye materialer på, men også lære mer om dannelsen av stjerner og planeter.
Ved å bruke kunstig intelligens til å frigjøre vitenskapelige hjerner fra det slitsomme arbeidet med dataanalyse, vil de kunne bruke sin kreative tenkning til å designe materialer som vil forme fremtiden vår.
