Українські вчені розробили метод “відбитків матеріалів” за допомогою ІІ та рентгенівської технології

Матеріали, як і люди, еволюціонують з часом і поводяться по-різному під впливом стресу та розслаблення. Поняття цих динамічних змін довгий час було викликом для вчених, оскільки складні закономірності поведінки матеріалів часто надто складні для людського аналізу. Традиційні методи вивчення динаміки матеріалів не змогли повністю охопити весь спектр змін, які відбуваються на молекулярному рівні, залишаючи прогалини в нашому розумінні того, як матеріали трансформуються під різними умовами.

У відповідь на цей виклик дослідники в Міністерстві енергетики США в лабораторії Арґонна розробили інноваційний підхід. Ця нова техніка використовує спектроскопію кореляції рентгенівських фотонів (XPCS), штучний інтелект та машинне навчання для створення “відбитків” різних матеріалів. Ці відбитки можна потім проаналізувати за допомогою нейронної мережі, відкриваючи раніше недоступну інформацію про поведінку матеріалів.

Технологія за інновацією

У центрі цієї революційної техніки лежить спектроскопія кореляції рентгенівських фотонів, або XPCS. XPCS – це передовий метод візуалізації, який використовує потужні рентгенівські промені для вивчення структури та динаміки матеріалів на нанорівні. Як пояснює Джеймс (Джей) Горват, постдокторант Арґонна, “Ми розуміємо, як матеріали рухаються та змінюються з часом, збираючи дані про розсіювання рентгенівських променів.” Ці дані про розсіювання містять велику кількість інформації про структуру та поведінку матеріалу, але отримані закономірності надзвичайно складні.

Щоб зрозуміти величезну кількість даних, згенерованих XPCS, дослідники звернулися до штучного інтелекту для виявлення закономірностей та витягування корисної інформації з великих, складних наборів даних. У цьому випадку алгоритми штучного інтелекту та машинного навчання призначені для аналізу закономірностей розсіювання рентгенівських променів для виявлення повторюваних мотивів та тенденцій, які можуть виявитися невидимими для людських спостерігачів.

Алгоритм машинного навчання без нагляду

Ключовим компонентом цього нового підходу є використання алгоритму машинного навчання без нагляду. На відміну від навчального машинного навчання, яке вимагає людської маркування навчальних даних, алгоритми без нагляду можуть виявляти закономірності та структури в даних без попереднього керівництва. Це робить їх особливо придатними для дослідження складних наукових наборів даних, у яких лежить закономірності можуть бути невідомі заздалегідь.

Горват підкреслює силу цього підходу, заявляючи, “Мета штучного інтелекту – просто розглядати закономірності розсіювання як звичайні зображення чи картинки та розібрати їх, щоб зрозуміти, які повторювані закономірності існують. Штучний інтелект – це спеціаліст із розпізнавання закономірностей.” Ця можливість розпізнавання та категоризації закономірностей без людського втручання дозволяє провести більш повний та необмежений аналіз поведінки матеріалів.

Проект AI-NERD

Серцем цього інноваційного підходу є проект Штучний інтелект для нерівноважної релаксації динаміки, або AI-NERD. Центральним у AI-NERD є техніка, відома як автокодувальник, тип нейронної мережі, спеціально розроблений для ефективного стиснення даних та витягування ознак.

Алгоритм автокодування перетворює оригінальні дані про розсіювання рентгенівських променів у компактне представлення, яке дослідники називають “латентним представленням” або “відбитком”. Цей процес витягує основні характеристики структури та поведінки матеріалу у більш керовану форму. Що важливо, автокодувальник також містить алгоритм декодування, який може відновити повне зображення з цього стисненого представлення, забезпечуючи, що жодна критична інформація не втрачається під час процесу.

Створення “відбитків” матеріалів

Ці відбитки матеріалів служать певним родом генетичного коду для речовини, яку вивчають. Як пояснює Горват, “Ви можете вважати це подібним до того, як у вас є геном матеріалу, він містить всю інформацію, необхідну для відновлення цілого зображення.” Стиснувши складні дані про розсіювання рентгенівських променів у ці відбитки, дослідники можуть легше порівнювати та аналізувати різні матеріали або один і той же матеріал під різними умовами.

Створення та аналіз сусідства відбитків

Останнім етапом процесу AI-NERD є створення карти цих відбитків матеріалів. Подібні відбитки згруповані разом у сусідства, дозволяючи дослідникам візуалізувати відносини та закономірності між різними матеріалами або станами. Аналізуючи особливості сусідства відбитків, вчені можуть отримати нові знання про структуру матеріалів та їх еволюцію з часом, коли вони піддаються стресу чи розслабленню.

Цей підхід до створення карти забезпечує цілісний погляд на поведінку матеріалів, дозволяючи дослідникам виявляти тенденції та закономірності, які можуть не бути очевидними при розгляді окремих даних. Це потужний інструмент для розуміння складної динаміки матеріалів на молекулярному рівні, відкриваючи нові шляхи для дослідження матеріалів та потенційних застосувань у різних галузях.

Застосування та наслідки

Поняття структури та еволюції матеріалів

Підхід AI-NERD пропонує безпрецедентні знання про поведінку матеріалів під різними умовами. Аналізуючи “відбитки”, створені за допомогою цієї техніки, вчені можуть відстежувати тонкі зміни у структурі матеріалів з часом, особливо коли матеріали піддаються стресу чи розслабленню. Це детальне розуміння еволюції матеріалів може привести до розробки більш стійких та реактивних матеріалів для широкого спектра застосувань, від будівництва до електроніки.

Переваги над традиційними методами аналізу

Традиційні методи аналізу поведінки матеріалів часто залежать від людської інтерпретації складних даних, що може бути тривалим та підлягати упередженості. Штучно-інтелектний підхід подолає ці обмеження, швидко обробляючи великі об’єми даних та виявляючи закономірності, які можуть бути невидимими для людського ока. Як зазначає Горват, “Коли ми променюємо рентгенівським променем, закономірності настільки різноманітні та складні, що навіть для експертів стає складно зрозуміти, що означають будь-які з них.” Використовуючи штучний інтелект, дослідники можуть відкрити знання, які практично неможливо розібрати за допомогою традиційних засобів.

Потенціал для нових відкриттів у матеріалознавстві

Спроможність “читати” та інтерпретувати відбитки матеріалів відкриває цікаві можливості для нових відкриттів у матеріалознавстві. Дослідники тепер можуть вивчати, як різні матеріали реагують на різні стимули на молекулярному рівні, потенційно ведучи до розробки нових матеріалів з налаштованими властивостями. Це може мати далекосяжні наслідки для галузей, таких як зберігання енергії, напівпровідникова технологія та біомедицина, де розуміння та контроль поведінки матеріалів на нанорівні є критичним.

Перспективи майбутнього

Важливість цього штучно-інтелектного підходу зростатиме з майбутнім оновленням Адвансового джерела фотонів Арґонна. Покращена установка генеруватиме рентгенівські промені у 500 разів яскравіші, ніж оригінальний APS, виробляючи величезну кількість даних, яка потребуватиме передових методів аналізу. Горват підкреслює цю точку, заявляючи, “Дані, які ми отримуємо з оновленого APS, будуть потребувати сили штучного інтелекту, щоб розібрати їх.” Проект AI-NERD таким чином позиціонує себе як критичний інструмент для максимального використання потенціалу цієї наступної дослідницької установки.

Розробка AI-NERD також сприяла співробітництву між різними дослідницькими групами в лабораторії Арґонна. Теоретична група в Центрі матеріалів нанорозміру (CNM) співпрацює з обчислювальною групою в розділі науки про рентгенівські промені Арґонна для проведення молекулярних симуляцій динаміки полімерів. Ці симуляції не лише доповнюють експериментальні дані, отримані за допомогою XPCS, але також забезпечують синтетичні дані для навчання потоків штучного інтелекту. 

Хоча зараз основна увага прикута до матеріалознавства, штучно-інтелектний підхід, розроблений у рамках AI-NERD, має потенціал вплинути на широкий спектр наукових галузей. Будь-яка галузь, яка займається складними, часо-еволюційними системами, може виграти від цієї техніки. Наприклад, її можна застосувати для вивчення біологічних процесів, екологічних систем або навіть астрофізичних явищ. Спроможність витягувати корисні закономірності з великих обсягів даних є універсальною потребою сучасної науки, роблячи цей підхід потенційно трансформаційним у декількох дисциплінах.

Основна думка

Інноваційна комбінація спектроскопії кореляції рентгенівських фотонів, штучного інтелекту та машинного навчання представляє собою суттєвий крок вперед у нашій здатності розуміти та маніпулювати матеріалами на молекулярному рівні. Створюючи та аналізуючи “відбитки” матеріалів, дослідники тепер можуть розкрити раніше приховані динаміки та відносини, потенційно революціонізуючи галузі від зберігання енергії до біомедицини. Коли ця технологія продовжить розвиватися, особливо у поєднанні з передовими установками, такими як оновлений APS, вона обіцяє прискорити темп наукових відкриттів та відкрити нові рубежі у дослідженнях матеріалів.