Materialforskare försöker ständigt hitta nya material med specifika egenskaper, men de experimentella data som de måste gå igenom är överväldigande. Forskare vid University of Rochester använde maskininlärning för att påskynda upptäckten av nya material.
Kristallina material har en välordnad, repetitiv kristallgitterstruktur, ett regelbundet, repetitivt arrangemang av atomer, joner eller molekyler. Arrangemanget av dessa kristallgitter är det som ger ett material specifika egenskaper.
Vill du ha ett material som är hårt, klarar höga temperaturer och är lätt? Då måste man ha precis rätt gitterstruktur för att det ska bli verklighet.
När materialforskare syntetiserar en liten mängd av ett nytt material vill de veta vilka egenskaper det kommer att ha för att kunna avgöra om det är användbart för en viss applikation eller inte.
De använder en process som kallas röntgendiffraktion (XRD) för att göra detta. Materialprovet mals normalt till ett fint pulver och utsätts sedan för röntgenstrålning. När röntgenstrålarna träffar atomerna i materialet diffrakteras de i olika riktningar, beroende på hur atomerna är ordnade.
De diffrakterade röntgenstrålarna skapar ett mönster på en detektor som forskarna behöver analysera för att dra slutsatser om vilka egenskaper materialet har. Problemet är att XRD producerar en enorm mängd data som är bortom människans förmåga att bearbeta på ett effektivt sätt.
Automatisering av materialanalys
Studienunder ledning av doktoranden i materialvetenskap Jerardo Salgado, utvecklade modeller för djupinlärning för att automatisera klassificeringen av material baserat på deras XRD-mönster.
De maskininlärningsmodeller som de använde använder sig av CNN (convolutional neural networks), en typ av neurala nätverk som är riktigt bra på att utföra bildigenkänning och klassificeringsuppgifter.
Modellerna tränades på ett stort dataset med syntetiska XRD-mönster, som genererades för att representera ett brett spektrum av experimentella förhållanden och materialtyper.
Projektledare Niaz Abdolrahim, professor i maskinteknik vid University of Rochester, säger: "Det finns mycket materialvetenskap och fysik dold i var och en av dessa bilder, och terabyte av data produceras varje dag vid anläggningar och laboratorier över hela världen."
Abdolrahim förklarar fördelarna med maskininlärning inom sitt område: "Att utveckla en bra modell för att analysera dessa data kan verkligen bidra till att påskynda materialinnovation, förstå material under extrema förhållanden och utveckla material för olika tekniska tillämpningar."
Genom att använda maskininlärningsmodeller för att filtrera XRD-data kan man påskynda utvecklingen av snabbare elektronik, bättre batterier eller till och med vardagsföremål med förbättrad hållbarhet, funktionalitet eller hållbarhet.
Forskare från Centrum för materia vid atomära tryck har ett särskilt intresse för denna tillämpning av maskininlärning. Genom att använda XRD samtidigt som material utsätts för extrema tryck och temperaturer kan forskare inte bara upptäcka sätt att skapa nya material utan också lära sig mer om hur stjärnor och planeter bildas.
Genom att använda AI för att befria vetenskapsmännen från dataanalysens slitsamma arbete kan deras kreativa tänkande bättre riktas mot att utforma de material som kommer att forma vår framtid.
