Videnskabsmænd udvikler ‘materiale-fingerprint’-metode ved hjælp af AI og røntgenteknologi

Materialer udvikler sig over tid og opfører sig forskelligt under stress og afslapning. At forstå disse dynamiske ændringer har længe været en udfordring for videnskabsmænd, da de komplekse mønstre af materialeopførsel ofte er for intrikate til at blive analyseret af mennesker alene. Traditionelle metoder til at studere materiale-dynamik har haft svært ved at fange det fulde spektrum af ændringer, der sker på molekylær niveau, og har efterladt os med huller i vores forståelse af, hvordan materialer udvikler sig under forskellige betingelser.

Som svar på denne udfordring har forskere ved U.S. Department of Energy’s Argonne National Laboratory udviklet en innovativ tilgang. Denne nye teknik kombinerer røntgen-foton-korrelations-spektroskopi (XPCS), kunstig intelligens og maskinlæring til at skabe “fingerprints” af forskellige materialer. Disse fingerprints kan derefter analyseres af et neuralt netværk, der afslører tidligere utilgængelige oplysninger om materialeopførsel.

Teknologien bag innovationen

I centrum af denne banebrydende teknik ligger røntgen-foton-korrelations-spektroskopi, eller XPCS. XPCS er en avanceret billedteknik, der bruger kraftige røntgenstråler til at undersøge materialets struktur og dynamik på nanoskala. Som Argonne-postdoktoranden James (Jay) Horwath forklarer, “Den måde, vi forstår, hvordan materialer bevæger sig og ændrer sig over tid, er ved at indsamle røntgen-spreddingsdata.” Disse spreddingsdata giver en rigdom af information om materialets struktur og opførsel, men de resulterende mønstre er utrolig komplekse.

For at give mening til den enorme mængde data, der genereres af XPCS, har forskerne vendt sig til AI for at genkende mønstre og udtrække meningsfuld information fra store, komplekse datasæt. I dette tilfælde er AI- og maskinlæringsalgoritmerne opgaven at analysere røntgen-spreddingsmønstrene for at identificere gentagne motiv og tendenser, der måske undgår menneskelige iagttagere.

Uovervåget maskinlæringsalgoritme

En nøglekomponent i denne nye tilgang er brugen af en uovervåget maskinlæringsalgoritme. I modsætning til overvåget læring, der kræver menneskeligt mærket træningsdata, kan uovervågede algoritmer opdage mønstre og strukturer i data uden forudgående vejledning. Dette gør dem særligt velegnede til at udforske komplekse videnskabelige datasæt, hvor de underliggende mønstre måske ikke er kendt på forhånd.

Horwath fremhæver kraften i denne tilgang, idet han siger, “Formålet med AI er bare at behandle spreddingsmønstrene som almindelige billeder eller billeder og fordøje dem for at finde ud af, hvad der er de gentagne mønstre. AI er en mønstergenkendelsesekspert.” Denne evne til at genkende og kategorisere mønstre uden menneskelig indgriben muliggør en mere omfattende og upartisk analyse af materialeopførsel.

AI-NERD-projektet

Hjertet af denne innovative tilgang ligger i et projekt kaldet Kunstig Intelligens for Ikke-Ækvilibriums-Relaxations-Dynamik, eller AI-NERD. Centralt for AI-NERD er en teknik kendt som en autoencoder, en type neuralt netværk, der specifikt er designet til effektiv datakompression og funktionsextraktion.

Autoencoderen fungerer ved at omdanne de originale røntgen-spreddingsbilleddata til en kompakt repræsentation, som forskerne henviser til som en “latent repræsentation” eller “fingerprint”. Denne proces destillerer de væsentlige karakteristika af materialets struktur og opførsel til en mere håndterbar form. Vigtigt er, at autoencoderen også inkluderer en dekoder-algoritme, der kan genskabe det fulde billede fra denne komprimerede repræsentation, og sikrer, at ingen kritisk information går tabt i processen.

Skabelse af materiale-“fingerprints”

Disse materiale-fingerprints fungerer som en slags genetisk kode for den undersøgte substans. Som Horwath forklarer, “Du kan tænke på det som at have materialets genom, det har alle de nødvendige oplysninger til at genskabe det fulde billede.” Ved at kondensere de komplekse røntgen-spreddingsdata til disse fingerprints kan forskerne mere let sammenligne og analysere forskellige materialer eller det samme materiale under varierende betingelser.

Mapping og analyse af fingerprint-områder

Det sidste trin i AI-NERD-processen indebærer at skabe en kort over disse materiale-fingerprints. Lignende fingerprints grupperes sammen i områder, der tillader forskerne at visualisere relationer og mønstre på tværs af forskellige materialer eller tilstande. Ved at undersøge funktionerne af disse fingerprint-områder kan videnskabsmænd opnå nye indsigt i, hvordan materialer er struktureret og hvordan de udvikler sig over tid, når de oplever stress og afslapning.

Denne kortlægnings-tilgang giver en helhedsorienteret visning af materialeopførsel, der tillader forskerne at identificere tendenser og relationer, der måske ikke er åbenlyse, når man ser på enkeltvis data. Det er et kraftfuldt værktøj til at forstå de komplekse dynamikker af materialer på molekylær niveau, og åbner op for nye muligheder for materialsvidenskabelig forskning og potentiale anvendelser i forskellige felter.

Anvendelser og implikationer

Forståelse af materialestruktur og udvikling

AI-NERD-tilgangen tilbyder en hidtil uset indsigt i, hvordan materialer opfører sig under forskellige betingelser. Ved at analysere “fingerprints”, der er skabt gennem denne teknik, kan videnskabsmænd spore subtile ændringer i materialestruktur over tid, især når materialer udsættes for stress eller tillades at afslappe. Denne detaljerede forståelse af materialeudvikling kunne føre til udviklingen af mere holdbare og responsive materialer til en bred vifte af anvendelser, fra bygning til elektronik.

Fordele over traditionelle analysemetoder

Traditionelle metoder til at analysere materialeopførsel ofte afhænger af menneskelig fortolkning af komplekse data, hvilket kan være tidskrævende og underlagt fordomme. Den AI-drevne tilgang overvinder disse begrænsninger ved at hurtigt behandle store mængder data og identificere mønstre, der måske er usynlige for det menneskelige øje. Som Horwath bemærker, “Når vi lyser røntgenstrålen, er mønstrene så diverse og så komplicerede, at det bliver svært, selv for eksperter, at forstå, hvad nogen af dem betyder.” Ved at udnytte AI kan forskerne afsløre indsigt, der ville være praktisk umulig at opdage gennem konventionelle midler.

Potentiale for nye opdagelser i materialsvidenskab

Evnen til at “læse” og fortolke materiale-fingerprints åbner op for spændende muligheder for nye opdagelser i materialsvidenskab. Forskere kan nu udforske, hvordan forskellige materialer reagerer på forskellige stimuli på molekylær niveau, hvilket potentielt kan føre til udviklingen af nye materialer med tilpassede egenskaber. Dette kunne have langtrækkende implikationer for felter som energilagring, halvlederteknologi og biomedicin, hvor forståelse og kontrol af materialeopførsel på nanoskala er afgørende.

Fremtidsperspektiver

Vigtigheden af denne AI-drevne tilgang er sat til at vokse med den kommende opgradering af Argonnes Advanced Photon Source (APS). Den forbedrede facilitet vil generere røntgenstråler 500 gange kraftigere end den originale APS, og producere en enorm mængde data, der vil kræve avancerede analysemetoder. Horwath fremhæver dette punkt, idet han siger, “Dataene, vi får fra den opgraderede APS, vil kræve AI’s kraft for at sortere gennem dem.” AI-NERD-projektet stiller sig således som et kritisk værktøj til at maksimere potentialet for denne næste generations forskningsfacilitet.

Udviklingen af AI-NERD har også ført til samarbejde mellem forskellige forskningsgrupper på Argonne National Laboratory. Teorigruppen ved Center for Nanoskala Materialer (CNM) har samarbejdet med den computermæssige gruppe i Argonnes X-ray Science-afdeling for at udføre molekylære simulationer af polymerdynamik. Disse simulationer komplementerer ikke kun de eksperimentelle data, der er erhvervet gennem XPCS, men giver også syntetisk data til træning af AI-arbejdsgange. 

Selvom fokus i øjeblikket er på materialsvidenskab, har den AI-drevne tilgang, der er udviklet gennem AI-NERD, potentialet til at påvirke en bred vifte af videnskabelige felter. Ethvert felt, der beskæftiger sig med komplekse, tidsafhængige systemer, kan profitere af denne teknik. For eksempel kan den anvendes til at studere biologiske processer, miljøsystemer eller endda astrofysisk fænomener. Evnen til at udtrække meningsfulde mønstre fra store mængder data er et universelt behov i moderne videnskab, og gør denne tilgang potentielt transformerende på tværs af multiple felter.

Det endelige punkt

Den innovative kombination af røntgen-foton-korrelations-spektroskopi, kunstig intelligens og maskinlæring repræsenterer et betydeligt skridt fremad i vores evne til at forstå og manipulere materialer på molekylær niveau. Ved at skabe og analysere materiale-“fingerprints” kan forskerne nu afsløre tidligere skjulte dynamikker og relationer, og potentielt revolutionere felter fra energilagring til biomedicin. Da denne teknologi fortsætter med at udvikle sig, især i forbindelse med avancerede faciliteter som den opgraderede APS, lover den at accelerere tempoet for videnskabelig opdagelse og åbne nye grænser for materialsvidenskabelig forskning.