Optagelse af 3-D mikrostrukturer i realtid

Moderne videnskabelig forskning i materialer er stærkt afhængig af at udforske deres adfærd på atomare og molekylær skala. Af den grund, forskere er konstant på jagt efter nye og forbedrede metoder til dataindsamling og analyse af materialer i disse skalaer.

Forskere ved Center for Nanoscale Materials (CNM), en US Department of Energy (DOE) Office of Science User Facility beliggende ved DOE's Argonne National Laboratory, har opfundet en maskinlæringsbaseret algoritme til kvantitativ karakterisering, i tre dimensioner, materialer med funktioner så små som nanometer. Forskere kan anvende denne afgørende opdagelse til analysen af ​​de fleste strukturelle materialer af interesse for industrien.

"Det, der gør vores algoritme unik, er, at hvis du starter med et materiale, som du stort set ikke ved om mikrostrukturen, det vil, inden for sekunder, fortælle brugeren den nøjagtige mikrostruktur i alle tre dimensioner, " sagde Subramanian Sankaranarayanan, gruppeleder af CNM teori- og modelleringsgruppen og en lektor i afdelingen for Mekanisk og Industriel Teknik ved University of Illinois i Chicago.

"For eksempel, med data analyseret af vores 3-D værktøj, " sagde Henry Chan, CNM postdoc-forsker og hovedforfatter af undersøgelsen, "brugere kan opdage fejl og revner og potentielt forudsige levetiden under forskellige belastninger og belastninger for alle slags strukturelle materialer."

De fleste strukturelle materialer er polykrystallinske, hvilket betyder, at en prøve, der bruges til analyseformål, kan indeholde millioner af korn. Størrelsen og fordelingen af ​​disse korn og hulrummene i en prøve er kritiske mikrostrukturelle træk, der påvirker vigtige fysiske, mekanisk, optisk, kemiske og termiske egenskaber. Sådan viden er vigtig, for eksempel, til opdagelsen af ​​nye materialer med ønskede egenskaber, såsom stærkere og hårdere maskinkomponenter, der holder længere.

I fortiden, videnskabsmænd har visualiseret 3-D mikrostrukturelle træk i et materiale ved at tage snapshots i mikroskalaen af ​​mange 2-D skiver, behandling af de enkelte skiver, og derefter indsætte dem sammen for at danne et 3D-billede. Sådan er det, for eksempel, med den computeriserede tomografiscanningsrutine udført på hospitaler. Den proces, imidlertid, er ineffektiv og fører til tab af information. Forskere har således søgt efter bedre metoder til 3-D analyser.

"Først " sagde Mathew Cherukara, en assisterende videnskabsmand ved CNM, "vi tænkte på at designe en opsnapningsbaseret algoritme til at søge efter alle grænserne mellem de mange korn i prøven, indtil vi kortlægger hele mikrostrukturen i alle tre dimensioner, men som du kan forestille dig, med millioner af korn, det er ekstraordinært tidskrævende og ineffektivt."

"Det smukke ved vores maskinlæringsalgoritme er, at den bruger en uovervåget algoritme til at håndtere grænseproblemet og producere meget nøjagtige resultater med høj effektivitet, " sagde Chan. "Koblet med ned-sampling teknikker, det tager kun sekunder at behandle store 3D-prøver og opnå præcis mikrostrukturel information, der er robust og modstandsdygtig over for støj."

Holdet testede med succes algoritmen ved at sammenligne med data opnået fra analyser af flere forskellige metaller (aluminium, jern, silicium og titanium) og bløde materialer (polymerer og miceller). Disse data kom fra tidligere offentliggjorte eksperimenter samt computersimuleringer kørt på to DOE Office of Science brugerfaciliteter, Argonne Leadership Computing Facility og National Energy Research Scientific Computing Center. Også brugt i denne forskning var Laboratory Computing Resource Center i Argonne og Carbon Cluster i CNM.

"For forskere, der bruger vores værktøj, Den største fordel er ikke kun det imponerende 3D-billede, der genereres, men vigtigere, de detaljerede karakteriseringsdata, " sagde Sankaranarayanan. "De kan endda kvantitativt og visuelt spore udviklingen af ​​en mikrostruktur, når den ændrer sig i realtid."

Maskinlæringsalgoritmen er ikke begrænset til faste stoffer. Holdet har udvidet det til at omfatte karakterisering af fordelingen af ​​molekylære klynger i væsker med vigtig energi, kemiske og biologiske anvendelser.

Dette maskinlæringsværktøj skulle vise sig at være særligt virkningsfuldt til fremtidig realtidsanalyse af data opnået fra store materialekarakteriseringsfaciliteter, såsom den avancerede fotonkilde, en anden DOE Office of Science brugerfacilitet i Argonne, og andre synkrotroner rundt om i verden.

Dette studie, med titlen "Maskinlæring muliggjorde autonom mikrostrukturel karakterisering i 3-D prøver, " dukkede op i npj Beregningsmaterialer .