นักวิทยาศาสตร์พัฒนาวิธีการ “การทำเครื่องหมายวัสดุ” โดยใช้ AI และเทคโนโลยี X-ray

วัสดุ เช่นเดียวกับมนุษย์ มีการเปลี่ยนแปลงและพฤติกรรมที่แตกต่างกันภายใต้ความเครียดและความผ่อนคลาย การทำความเข้าใจการเปลี่ยนแปลงเหล่านี้เป็นความท้าทายที่นักวิทยาศาสตร์ต้องเผชิญ เนื่องจากรูปแบบการเปลี่ยนแปลงของวัสดุเป็นเรื่องที่ซับซ้อนและยากต่อการวิเคราะห์โดยมนุษย์เท่านั้น วิธีการศึกษาการเปลี่ยนแปลงของวัสดุแบบดั้งเดิมต้องเผชิญกับความยากลำบากในการจับภาพการเปลี่ยนแปลงที่เกิดขึ้นที่ระดับโมเลกุล ซึ่งทำให้เรามีความเข้าใจที่ไม่สมบูรณ์เกี่ยวกับวัสดุเปลี่ยนแปลงไปอย่างไรภายใต้สภาวะต่างๆ

เพื่อตอบสนองความท้าทายนี้ นักวิจัยที่ห้องปฏิบัติการแห่งชาติ Argonne ของกระทรวงพลังงานสหรัฐฯ ได้พัฒนาวิธีการใหม่ๆ วิธีการใหม่นี้ ใช้การวิเคราะห์ความสัมพันธ์ของฟOTON X-ray (XPCS) การเรียนรู้ของเครื่องจักร และการวิเคราะห์ข้อมูลขนาดใหญ่เพื่อสร้าง “รอยบันทึก” ของวัสดุต่างๆ รอยบันทึกเหล่านี้สามารถถูกวิเคราะห์โดยเครือข่ายประสาทเทียม ซึ่งจะเผยให้เห็นข้อมูลที่ไม่สามารถเข้าถึงได้ก่อนหน้านี้เกี่ยวกับการเปลี่ยนแปลงของวัสดุ

เทคโนโลยีเบื้องหลังนวัตกรรม

ที่แกนกลางของเทคนิคใหม่นี้คือการวิเคราะห์ความสัมพันธ์ของฟOTON X-ray (XPCS) XPCS เป็นวิธีการถ่ายภาพที่ใช้ X-ray ที่มีพลังในการสำรวจโครงสร้างและพลวัตของวัสดุในระดับนาโนเมตร ตามที่ James (Jay) Horwath นักวิจัยหลังปริญญาเอกที่ Argonne อธิบาย “วิธีที่เราทำความเข้าใจวัสดุเคลื่อนไหวและเปลี่ยนแปลงไปตามเวลา คือการรวบรวมข้อมูลการกระจายของ X-ray” ข้อมูลการกระจายนี้ให้ข้อมูลมากมายเกี่ยวกับโครงสร้างและพฤติกรรมของวัสดุ แต่รูปแบบที่ได้จากข้อมูลนี้ซับซ้อนมาก

เพื่อทำความเข้าใจข้อมูลจำนวนมากที่เกิดจาก XPCS นักวิจัยได้ใช้ AI ในการรับรู้รูปแบบและข้อมูลที่มีความหมายจากชุดข้อมูลขนาดใหญ่และซับซ้อน ในกรณีนี้ AI และการเรียนรู้ของเครื่องจักรถูกใช้ในการวิเคราะห์รูปแบบการกระจายของ X-ray เพื่อระบุรูปแบบที่เกิดซ้ำและแนวโน้มที่อาจหลบเลี่ยงการตรวจสอบของมนุษย์

การเรียนรู้ของเครื่องจักรที่ไม่มีการกำกับ

ส่วนสำคัญของวิธีการใหม่นี้คือการใช้การเรียนรู้ของเครื่องจักรที่ไม่มีการกำกับ ไม่เหมือนกับการเรียนรู้ที่มีการกำกับซึ่งต้องการข้อมูลการฝึกอบรมที่มีการกำกับโดยมนุษย์ การเรียนรู้ที่ไม่มีการกำกับสามารถค้นหารูปแบบและโครงสร้างในข้อมูลโดยไม่ต้องมีการกำกับล่วงหน้า ซึ่งทำให้เหมาะสำหรับการสำรวจชุดข้อมูลทางวิทยาศาสตร์ที่ซับซ้อนซึ่งรูปแบบที่ซ่อนอยู่อาจไม่ทราบล่วงหน้า

Horwath เน้นย้ำถึงพลังของวิธีการนี้ โดยระบุว่า “เป้าหมายของ AI คือการรับรู้รูปแบบที่เกิดซ้ำและหมวดหมู่โดยไม่ต้องมีการกำกับของมนุษย์” ความสามารถในการรับรู้และจัดหมวดหมู่รูปแบบโดยไม่ต้องมีการแทรกแซงจากมนุษย์ทำให้สามารถวิเคราะห์ข้อมูลได้อย่างครอบคลุมและไม่มีอคติ

โครงการ AI-NERD

ใจกลางของวิธีการใหม่นี้คือโครงการที่เรียกว่า Artificial Intelligence for Non-Equilibrium Relaxation Dynamics หรือ AI-NERD ส่วนสำคัญของ AI-NERD คือเทคนิคที่เรียกว่า การเข้ารหัสอัตโนมัติ ซึ่งเป็นเครือข่ายประสาทเทียมที่ออกแบบมาเพื่อการบีบอัดข้อมูลและค้นหาคุณลักษณะอย่างมีประสิทธิภาพ

การเข้ารหัสอัตโนมัติทำงานโดยการเปลี่ยนข้อมูลภาพการกระจายของ X-ray เป็นตัวแทนแบบกompact ที่เรียกว่า “รอยบันทึก” หรือ “ลายนิ้วมือ” ของวัสดุ การบีบอัดนี้ทำให้สามารถจับข้อมูลที่สำคัญเกี่ยวกับโครงสร้างและพฤติกรรมของวัสดุได้อย่างมีประสิทธิภาพ นอกจากนี้ การเข้ารหัสอัตโนมัติยังมีเครื่องมือที่สามารถสร้างภาพเต็มจากตัวแทนแบบกompact นี้ได้ ซึ่งรับประกันว่าไม่มีข้อมูลสำคัญที่สูญหายไปในระหว่างกระบวนการ

การสร้างรอยบันทึกของวัสดุ

รอยบันทึกเหล่านี้ทำหน้าที่เป็นรหัสพันธุกรรมของวัสดุที่กำลังศึกษา Horwath อธิบายว่า “คุณสามารถคิดว่ามันเป็นรหัสพันธุกรรมของวัสดุ มันบรรจุข้อมูลทั้งหมดที่จำเป็นในการสร้างภาพทั้งหมด” โดยการบีบอัดข้อมูลการกระจายของ X-ray ที่ซับซ้อนเหล่านี้เป็นรอยบันทึก นักวิจัยสามารถเปรียบเทียบและวิเคราะห์วัสดุต่างๆ หรือวัสดุเดียวกันภายใต้สภาวะต่างๆ ได้อย่างง่ายดาย

การสร้างแผนที่และวิเคราะห์บริเวณรอยบันทึก

ขั้นตอนสุดท้ายของกระบวนการ AI-NERD คือการสร้างแผนที่ของรอยบันทึกเหล่านี้ รอยบันทึกที่คล้ายกันจะถูกจัดกลุ่มเข้าด้วยกันในบริเวณที่เรียกว่า “บริเวณรอยบันทึก” ซึ่งช่วยให้นักวิจัยสามารถมองเห็นความสัมพันธ์และรูปแบบต่างๆ ระหว่างวัสดุต่างๆ หรือสถานะต่างๆ ของวัสดุเดียวกัน โดยการตรวจสอบคุณลักษณะของบริเวณรอยบันทึกเหล่านี้ นักวิทยาศาสตร์สามารถเข้าใจโครงสร้างและพฤติกรรมของวัสดุได้อย่างลึกซึ้งยิ่งขึ้น

วิธีการนี้ให้มุมมองที่ครอบคลุมเกี่ยวกับการเปลี่ยนแปลงของวัสดุ ช่วยให้นักวิจัยสามารถระบุแนวโน้มและความสัมพันธ์ที่อาจไม่เห็นได้เมื่อมองภาพข้อมูลแต่ละจุดเป็นรายๆ เป็นเครื่องมือที่มีประสิทธิภาพในการทำความเข้าใจการเปลี่ยนแปลงของวัสดุในระดับโมเลกุล และเปิดโอกาสใหม่ๆ สำหรับการวิจัยและพัฒนาวัสดุในหลายๆ สาขา

การประยุกต์ใช้และผลกระทบ

การทำความเข้าใจโครงสร้างและพฤติกรรมของวัสดุ

วิธีการ AI-NERD นำเสนอความเข้าใจที่ไม่เคยเกิดขึ้นมาก่อนเกี่ยวกับการเปลี่ยนแปลงของวัสดุภายใต้สภาวะต่างๆ โดยการวิเคราะห์รอยบันทึกที่สร้างขึ้นผ่านเทคนิคนี้ นักวิทยาศาสตร์สามารถติดตามการเปลี่ยนแปลงเล็กๆ น้อยๆ ของโครงสร้างวัสดุตามเวลา โดยเฉพาะอย่างยิ่งเมื่อวัสดุถูกทำให้เครียดหรือผ่อนคลาย ความเข้าใจที่ลึกซึ้งเกี่ยวกับการเปลี่ยนแปลงของวัสดุอาจนำไปสู่การสร้างวัสดุที่ทนทานและตอบสนองได้ดีขึ้นสำหรับการใช้งานต่างๆ ตั้งแต่การก่อสร้างไปจนถึงอิเล็กทรอนิกส์

ข้อดีเหนือวิธีการวิเคราะห์แบบดั้งเดิม

วิธีการศึกษาการเปลี่ยนแปลงของวัสดุแบบดั้งเดิมมักต้องอาศัยการวิเคราะห์ข้อมูลที่ซับซ้อนโดยมนุษย์ ซึ่งอาจใช้เวลานานและอาจมีอคติ วิธีการที่ขับเคลื่อนด้วย AI มีประสิทธิภาพมากกว่าโดยการประมวลผลข้อมูลจำนวนมากอย่างรวดเร็วและระบุรูปแบบที่อาจมองไม่เห็นด้วยตาเปล่า Horwath ระบุว่า “เมื่อเราส่อง X-ray ไปยังวัสดุ รูปแบบที่ได้จะซับซ้อนและหลากหลายจนแม้แต่ผู้เชี่ยวชาญก็ยากที่จะเข้าใจความหมาย” โดยการใช้ AI นักวิจัยสามารถค้นพบข้อมูลที่จะไม่สามารถทำได้ด้วยวิธีการแบบดั้งเดิม

โอกาสในการค้นพบสิ่งใหม่ๆ ในวัสดุศาสตร์

ความสามารถในการ “อ่าน” และตีความรอยบันทึกของวัสดุเปิดโอกาสใหม่ๆ สำหรับการค้นพบสิ่งใหม่ๆ ในวัสดุศาสตร์ นักวิจัยสามารถสำรวจวัสดุต่างๆ ตอบสนองต่อการกระตุ้นต่างๆ ในระดับโมเลกุล ซึ่งอาจนำไปสู่การสร้างวัสดุใหม่ที่มีคุณสมบัติที่ต้องการได้ สิ่งนี้มีผลกระทบอย่างกว้างขวางต่อหลายๆ สาขา เช่น การเก็บพลังงาน เทคโนโลยีเซมิคอนดักเตอร์ และการแพทย์ ซึ่งการทำความเข้าใจและควบคุมพฤติกรรมของวัสดุในระดับนาโนเมตรมีความสำคัญ

อนาคต

ความสำคัญของวิธีการที่ขับเคลื่อนด้วย AI จะเติบโตขึ้นพร้อมกับการอัปเกรด Advanced Photon Source (APS) ของ Argonne สิ่งอำนวยความสะดวกที่ดีขึ้นจะสร้าง X-ray ที่สว่างกว่าเดิมถึง 500 เท่า ทำให้เกิดข้อมูลจำนวนมากที่ต้องการเทคนิคการวิเคราะห์ที่ทันสมัย Horwath เน้นย้ำถึงจุดนี้ว่า “ข้อมูลที่เราได้รับจาก APS ที่อัปเกรดแล้วจะต้องใช้พลังของ AI เพื่อจัดเรียงข้อมูล” โครงการ AI-NERD จึงเป็นเครื่องมือที่สำคัญสำหรับการเพิ่มศักยภาพของสิ่งอำนวยความสะดวกวิจัยรุ่นต่อไปนี้

การพัฒนาของ AI-NERD ยังทำให้เกิดการทำงานร่วมกันระหว่างกลุ่มวิจัยต่างๆ ที่ Argonne National Laboratory กลุ่มทฤษฎีที่ศูนย์วัสดุระดับนาโน (CNM) ได้ร่วมมือกับกลุ่มการคำนวณในแผนก X-ray Science ของ Argonne เพื่อทำการจำลองการเคลื่อนไหวของพอลิเมอร์ การจำลองเหล่านี้ไม่เพียงแต่เสริมข้อมูลทดลองที่ได้รับจาก XPCS แต่ยังให้ข้อมูลสังเคราะห์สำหรับการฝึกอบรม AI ด้วย

ในขณะที่จุดสนใจในปัจจุบันอยู่ที่วัสดุศาสตร์ วิธีการที่ขับเคลื่อนด้วย AI ที่พัฒนาขึ้นผ่าน AI-NERD มีศักยภาพที่จะส่งผลกระทบต่อหลายๆ สาขาวิทยาศาสตร์ สาขาวิชาที่เกี่ยวข้องกับระบบที่ซับซ้อนและเปลี่ยนแปลงไปตามเวลา อาจได้รับประโยชน์จากเทคนิคนี้ ตัวอย่างเช่น สามารถนำไปใช้ในการศึกษาการเปลี่ยนแปลงทางชีวภาพ ระบบสิ่งแวดล้อม หรือแม้แต่ปรากฏการณ์ทางดาราศาสตร์ ความสามารถในการค้นหารูปแบบที่มีความหมายจากข้อมูลจำนวนมากเป็นความต้องการที่เป็นสากลใน科学สมัยใหม่ ทำให้วิธีการนี้มีศักยภาพที่จะเปลี่ยนแปลงสาขาวิชาต่างๆ

สรุป

การผสมผสานระหว่างการวิเคราะห์ความสัมพันธ์ของฟOTON X-ray การเรียนรู้ของเครื่องจักร และการวิเคราะห์ข้อมูลขนาดใหญ่แสดงถึงความก้าวหน้าอย่างมากในการทำความเข้าใจและควบคุมวัสดุในระดับโมเลกุล โดยการสร้างและวิเคราะห์รอยบันทึกของวัสดุ นักวิจัยสามารถค้นพบพลวัตและความสัมพันธ์ที่ซ่อนอยู่ได้ ซึ่งอาจปฏิวัติวงการตั้งแต่การเก็บพลังงานไปจนถึงการแพทย์ เมื่อเทคโนโลยีนี้ดำเนินต่อไป โดยเฉพาะอย่างยิ่งเมื่อรวมกับสิ่งอำนวยความสะดวกที่ดีขึ้น เช่น APS ที่อัปเกรดแล้ว มันสัญญาว่าจะเร่งความเร็วของการค้นพบทางวิทยาศาสตร์และเปิดโอกาสใหม่ๆ ในการวิจัยวัสดุศาสตร์