Материаловеды постоянно пытаются найти новые материалы с особыми свойствами, но экспериментальные данные, которые им приходится перелопачивать, оказываются непомерно большими. Ученые из Университета Рочестера использовали машинное обучение, чтобы ускорить процесс открытия новых материалов.
Кристаллические материалы имеют хорошо упорядоченную, повторяющуюся структуру кристаллической решетки - регулярное, повторяющееся расположение атомов, ионов или молекул. Именно расположение этих кристаллических решеток придает материалу особые свойства.
Вам нужен прочный, устойчивый к высоким температурам и легкий материал? Для этого нужно создать правильную решетчатую структуру.
Когда материаловеды синтезируют небольшое количество нового материала, они хотят знать, какими свойствами он будет обладать, чтобы решить, пригоден ли он для конкретного применения.
Для этого используется процесс, называемый рентгеновской дифракцией (XRD). Образец материала обычно измельчается в мелкий порошок, а затем подвергается воздействию рентгеновских лучей. Когда рентгеновские лучи попадают на атомы в материале, они дифрагируют в различных направлениях, в зависимости от расположения атомов.
Дифрагированные рентгеновские лучи создают на детекторе рисунок, который ученые должны проанализировать, чтобы сделать вывод о свойствах материала. Проблема в том, что рентгенография дает огромное количество данных, которые человек не в состоянии эффективно обработать.
Автоматизация анализа материалов
Исследованиепод руководством аспиранта по материаловедению Херардо СальгадоВ компании разработали модели глубокого обучения для автоматизации классификации материалов на основе их рентгенограмм.
В качестве моделей машинного обучения они использовали сверточные нейронные сети (CNN) - тип нейронных сетей, которые отлично справляются с задачами распознавания и классификации изображений.
Модели были обучены на большом наборе данных синтетических рентгенограмм, которые были созданы для представления широкого диапазона экспериментальных условий и типов материалов.
Руководитель проекта Ниаз АбдолрахимПрофессор машиностроения из Университета Рочестера сказал: "В каждом из этих изображений скрыто много материалов и физики, и терабайты данных производятся каждый день на предприятиях и в лабораториях по всему миру".
Объясняя преимущества машинного обучения в своей области, Абдолрахим сказал: "Разработка хорошей модели для анализа этих данных может действительно помочь ускорить инновации в области материалов, понять, как материалы работают в экстремальных условиях, и разработать материалы для различных технологических применений".
Использование моделей машинного обучения для фильтрации данных XRD может ускорить разработку более быстрой электроники, более совершенных батарей или даже повседневных предметов с повышенной прочностью, функциональностью или устойчивостью.
Исследователи из Центр материи при атомных давлениях проявляют особый интерес к этому приложению машинного обучения. Использование рентгеноструктурного анализа при воздействии на материалы экстремальных давлений и температур поможет ученым не только открыть способы создания новых материалов, но и узнать о формировании звезд и планет.
Использование искусственного интеллекта для освобождения научных умов от рутинной работы по анализу данных позволит направить их творческое мышление на разработку материалов, которые будут формировать наше будущее.
