Ученые разработали метод «отпечатков пальцев» с использованием искусственного интеллекта и рентгеновских технологий

Материалы, как и люди, со временем меняются и ведут себя по-разному в условиях стресса и расслабления. Понимание этих динамических изменений уже давно является проблемой для ученых, поскольку сложные модели поведения материалов часто слишком сложны для человеческого анализа. Традиционные методы изучения динамики материалов изо всех сил пытались охватить весь спектр изменений, происходящих на молекулярном уровне, оставляя пробелы в нашем понимании того, как материалы трансформируются в различных условиях.

В ответ на этот вызов исследователи из Аргоннской национальной лаборатории Министерства энергетики США разработали инновационный подход. Этот новый метод использует корреляционную спектроскопию рентгеновских фотонов (XPCS), искусственный интеллект и машинное обучение для создания «отпечатков пальцев» из различных материалов. Эти отпечатки пальцев затем могут быть проанализированы нейронной сетью, раскрывающей ранее недоступную информацию о поведении материалов.

Технологии, лежащие в основе инноваций

В основе этой новаторской технологии лежит рентгеновская фотонно-корреляционная спектроскопия (XPCS). XPCS — это передовой метод визуализации, использующий мощное рентгеновское излучение для исследования структуры и динамики материалов в наномасштабе. Как объясняет Джеймс (Джей) Хорват, постдокторант из Аргоннского университета: «Мы понимаем, как материалы движутся и изменяются с течением времени, собирая данные о рассеянии рентгеновских лучей». Эти данные о рассеянии предоставляют обширную информацию о структуре и поведении материала, но полученные картины невероятно сложны.

Чтобы разобраться в огромном объеме данных, генерируемых XPCS, исследователи обратились к искусственному интеллекту для распознавания закономерностей и извлечения значимой информации из больших и сложных наборов данных. В этом случае алгоритмам искусственного интеллекта и машинного обучения поручено проанализировать закономерности рассеяния рентгеновских лучей, чтобы выявить повторяющиеся мотивы и тенденции, которые могут ускользнуть от наблюдателей-людей.

Алгоритм машинного обучения без учителя

Ключевым компонентом этого нового подхода является использование алгоритма машинного обучения без учителя. В отличие от контролируемого обучения, для которого требуются обучающие данные, помеченные человеком, неконтролируемые алгоритмы могут обнаруживать закономерности и структуры в данных без предварительного руководства. Это делает их особенно подходящими для изучения сложных наборов научных данных, в которых основные закономерности могут быть неизвестны заранее.

Хорват подчеркивает силу этого подхода, заявляя: «Цель ИИ — просто рассматривать шаблоны рассеяния как обычные изображения или картинки и анализировать их, чтобы выяснить, какие шаблоны являются повторяющимися. ИИ — эксперт по распознаванию образов». Эта способность распознавать и классифицировать закономерности без вмешательства человека позволяет проводить более полный и беспристрастный анализ материального поведения.

Проект AI-NERD

Сердце этого инновационного подхода лежит в проекте под названием «Искусственный интеллект для неравновесной релаксационной динамики» или AI-NERD. Центральное место в AI-NERD занимает техника, известная как автоэнкодер, тип нейронной сети, специально разработанный для эффективного сжатия данных и извлечения признаков.

Автоэнкодер преобразует исходные данные рентгеновского рассеяния в компактное представление, которое исследователи называют «скрытым представлением» или «отпечатком пальца». Этот процесс позволяет представить основные характеристики структуры и поведения материала в более удобной форме. Важно отметить, что автоэнкодер также включает в себя алгоритм декодирования, который может восстановить полное изображение из этого сжатого представления, гарантируя отсутствие потери важной информации.

Создание материальных «отпечатков пальцев»

Эти материальные «отпечатки» служат своего рода генетическим кодом изучаемого вещества. Как объясняет Хорват: «Можно представить это как геном материала, содержащий всю информацию, необходимую для восстановления полной картины». Объединяя сложные данные рентгеновского рассеяния в эти «отпечатки», исследователи могут легче сравнивать и анализировать различные материалы или один и тот же материал в различных условиях.

Картирование и анализ окрестностей отпечатков пальцев

Последний шаг в процессе AI-NERD включает в себя создание карты отпечатков материалов. Подобные отпечатки пальцев группируются в районы, что позволяет исследователям визуализировать отношения и закономерности в разных материалах или состояниях. Изучая особенности этих отпечатков пальцев, ученые могут получить новое представление о том, как структурированы материалы и как они меняются с течением времени, испытывая стресс и расслабление.

Этот подход к картированию обеспечивает целостное представление о поведении материалов, позволяя исследователям выявлять тенденции и взаимосвязи, которые могут быть не очевидны при рассмотрении отдельных точек данных. Это мощный инструмент для понимания сложной динамики материалов на молекулярном уровне, открывающий новые возможности для исследований в области материаловедения и потенциального применения в различных областях.

Приложения и последствия

Понимание материальной структуры и эволюции

Подход AI-NERD предлагает беспрецедентное понимание того, как материалы ведут себя в различных условиях. Анализируя «отпечатки пальцев», созданные с помощью этой техники, ученые могут отслеживать тонкие изменения в структуре материала с течением времени, особенно когда материалы подвергаются стрессу или им дают возможность расслабиться. Такое детальное понимание эволюции материалов может привести к разработке более прочных и отзывчивых материалов для широкого спектра применений, от строительства до электроники.

Преимущества перед традиционными методами анализа

Традиционные методы анализа поведения материалов часто основаны на интерпретации сложных данных человеком, что может отнимать много времени и быть подвержено искажениям. Подход на основе ИИ преодолевает эти ограничения, быстро обрабатывая огромные объёмы данных и выявляя закономерности, которые могут быть не видны человеческому глазу. Как отмечает Хорват: «Когда мы освещаем рентгеновским лучом, закономерности настолько разнообразны и сложны, что даже экспертам становится трудно понять, что они означают». Используя ИИ, исследователи могут делать выводы, которые практически невозможно обнаружить традиционными методами.

Потенциал для новых открытий в материаловедении

Способность «читать» и интерпретировать отпечатки пальцев материала открывает захватывающие возможности для новых открытий в материаловедении. Теперь исследователи могут изучить, как различные материалы реагируют на различные стимулы на молекулярном уровне, что потенциально может привести к разработке новых материалов с индивидуальными свойствами. Это может иметь далеко идущие последствия для таких областей, как хранение энергии, полупроводниковые технологии и биомедицина, где понимание и контроль поведения материалов на наноуровне имеют решающее значение.

Будущие перспективы

Важность этого подхода, основанного на искусственном интеллекте, будет возрастать с предстоящим обновлением до Усовершенствованный источник фотонов Аргонна (APS). Усовершенствованная установка будет генерировать рентгеновские лучи в 500 раз ярче, чем исходный APS, производя огромное количество данных, которые потребуют передовых методов анализа. Хорват подчеркивает этот момент, заявляя: «Для обработки данных, которые мы получаем от обновленного APS, потребуются возможности искусственного интеллекта». Таким образом, проект AI-NERD позиционирует себя как важнейший инструмент для максимизации потенциала этого исследовательского центра следующего поколения.

Разработка AI-NERD также способствовала развитию сотрудничества между различными исследовательскими группами Аргоннской национальной лаборатории. Теоретическая группа Центра наноматериалов (CNM) сотрудничала с вычислительной группой отделения рентгеновских исследований Аргоннского университета для проведения молекулярного моделирования динамики полимеров. Результаты этого моделирования не только дополняют экспериментальные данные, полученные с помощью XPCS, но и предоставляют синтетические данные для обучения рабочих процессов ИИ. 

Хотя в настоящее время основное внимание уделяется материаловедению, подход, основанный на искусственном интеллекте, разработанный в рамках AI-NERD, может оказать влияние на широкий спектр научных областей. Любая дисциплина, которая имеет дело со сложными, развивающимися во времени системами, может извлечь выгоду из этого метода. Например, его можно применять для изучения биологических процессов, систем окружающей среды или даже астрофизических явлений. Способность извлекать значимые закономерности из огромных объемов данных является универсальной потребностью современной науки, что делает этот подход потенциально преобразующим во многих дисциплинах.

Выводы

Инновационное сочетание рентгеновской фотонной корреляционной спектроскопии, искусственного интеллекта и машинного обучения представляет собой значительный шаг вперед в нашей способности понимать материалы и манипулировать ими на молекулярном уровне. Создавая и анализируя материальные «отпечатки пальцев», исследователи теперь могут раскрыть ранее скрытые динамики и взаимосвязи, что потенциально совершит революцию в областях от хранения энергии до биомедицины. Поскольку эта технология продолжает развиваться, особенно в сочетании с передовыми объектами, такими как модернизированный APS, она обещает ускорить темпы научных открытий и открыть новые горизонты в исследованиях в области материаловедения.