Materiaalwetenschappers proberen voortdurend nieuwe materialen met specifieke eigenschappen te vinden, maar de experimentele gegevens die ze moeten doorworstelen zijn overweldigend. Wetenschappers van de Universiteit van Rochester gebruikten machine learning om snel nieuwe materialen te ontdekken.
Kristallijne materialen hebben een goed geordende, zich herhalende kristalroosterstructuur, een regelmatige, zich herhalende rangschikking van atomen, ionen of moleculen. De ordening van deze kristalroosters geeft een materiaal specifieke eigenschappen.
Wil je een materiaal dat hard is, hoge temperaturen aankan en licht van gewicht is? Dan heb je precies de juiste rasterstructuur nodig.
Wanneer materiaalwetenschappers een kleine hoeveelheid van een nieuw materiaal synthetiseren, willen ze weten welke eigenschappen het zal hebben om te beslissen of het al dan niet geschikt is voor een bepaalde toepassing.
Hiervoor gebruiken ze een proces dat röntgendiffractie (XRD) heet. Het materiaalmonster wordt normaal gesproken vermalen tot een fijn poeder en vervolgens blootgesteld aan röntgenstraling. Als de röntgenstralen de atomen in het materiaal raken, worden ze in verschillende richtingen gebroken, afhankelijk van de atomaire rangschikking.
De gebroken röntgenstralen creëren een patroon op een detector dat de wetenschappers moeten analyseren om de eigenschappen van het materiaal af te leiden. Het probleem is dat XRD een enorme hoeveelheid gegevens produceert die mensen niet effectief kunnen verwerken.
Materiaalanalyse automatiseren
De studieonder leiding van promovendus materiaalwetenschappen Jerardo Salgadoheeft deep learning-modellen ontwikkeld om de classificatie van materialen op basis van hun XRD-patronen te automatiseren.
De machine-learning modellen die ze gebruikten maken gebruik van convolutionele neurale netwerken (CNN's), een type neuraal netwerk dat erg goed is in het uitvoeren van beeldherkennings- en classificatietaken.
De modellen werden getraind op een grote dataset van synthetische XRD-patronen, die werden gegenereerd om een breed scala aan experimentele omstandigheden en materiaalsoorten te vertegenwoordigen.
Projectleider Niaz Abdolrahim, een professor werktuigbouwkunde aan de Universiteit van Rochester, zei: "In elk van deze beelden zit veel materiaalwetenschap en natuurkunde verborgen en er worden elke dag terabytes aan gegevens geproduceerd in faciliteiten en laboratoria over de hele wereld."
Abdolrahim legde de voordelen van machine learning in zijn vakgebied uit: "Het ontwikkelen van een goed model om deze gegevens te analyseren kan echt helpen bij het versnellen van materiaalinnovatie, het begrijpen van materialen onder extreme omstandigheden en het ontwikkelen van materialen voor verschillende technologische toepassingen."
Het gebruik van modellen voor machinaal leren om XRD-gegevens te filteren zou de ontwikkeling van snellere elektronica, betere batterijen of zelfs alledaagse voorwerpen met verbeterde duurzaamheid, functionaliteit of duurzaamheid kunnen versnellen.
Onderzoekers van de Centrum voor materie bij atoomdruk zijn bijzonder geïnteresseerd in deze toepassing van machinaal leren. Door XRD te gebruiken terwijl materialen worden blootgesteld aan extreme drukken en temperaturen kunnen wetenschappers niet alleen manieren ontdekken om nieuwe materialen te maken, maar ook meer te weten komen over de vorming van sterren en planeten.
Door AI te gebruiken om wetenschappelijke geesten te bevrijden van de sleur van gegevensanalyse zal hun creatieve denken beter gericht zijn op het ontwerpen van de materialen die onze toekomst vorm zullen geven.
