Kredit:CC0 Public Domain
Effektiv analyse af røntgendiffraktionsdata (XRD) spiller en afgørende rolle i opdagelsen af nye materialer, for eksempel for fremtidens energisystemer. Det bruges til at analysere krystalstrukturerne af nye materialer for at finde ud af, til hvilke applikationer de kan være egnede. XRD-målinger er allerede blevet markant accelereret de seneste år gennem automatisering og giver store mængder data ved måling af materialebiblioteker. "Imidlertid, XRD-analyseteknikker er stadig stort set manuelle, tidskrævende, fejltilbøjelige og ikke skalerbare, " siger Alfred Ludwig. "For at opdage og optimere nye materialer hurtigere i fremtiden ved hjælp af autonome high-throughput eksperimenter, nye metoder er nødvendige."
I en ny publikation i Natur Computational Science , et team ledet af Dr. Phillip M. Maffettone (i øjeblikket på National Synchrotron Light Source II i Upton, U.S.) og professor Andrew Cooper fra Department of Chemistry and Materials Innovation Factory ved University of Liverpool, og Lars Banko og professor Alfred Ludwig fra Chair of Materials Discovery and Interfaces og Yury Lysogorskiy fra Interdisciplinary Center for Advanced Materials Simulation viser, hvordan kunstig intelligens kan bruges til at gøre XRD-dataanalyse hurtigere og mere præcis. Løsningen er et AI -middel kaldet Crystallography Companion Agent (XCA), som samarbejder med forskerne. XCA kan udføre autonome faseidentifikationer fra XRD-data, mens det måles. Midlet er velegnet til både organiske og uorganiske materialesystemer. Dette muliggøres af den storstilede simulering af fysisk korrekte røntgendiffraktionsdata, der bruges til at træne algoritmen.
Ekspertdiskussion simuleres
Hvad er mere, et unikt træk ved agenten, som teamet har tilpasset til den aktuelle opgave, er, at den overvinder den overdrevne selvtillid i traditionelle neuronale netværk. Sådanne netværk træffer en endelig beslutning, selvom dataene ikke understøtter en bestemt konklusion, hvorimod en videnskabsmand ville kommunikere deres usikkerhed og diskutere resultater med andre forskere. "Denne beslutningsproces i gruppen er simuleret af et ensemble af neurale netværk, svarende til en afstemning blandt eksperter, "forklarer Lars Banko. I XCA, et ensemble af neurale netværk udgør ekspertpanelet, så at sige, som afgiver en anbefaling til forskerne. "Dette er opnået uden manual, menneskemærkede data og er robuste over for mange kilder til eksperimentel kompleksitet, " siger Banko.
XCA kan også udvides til andre former for karakterisering såsom spektroskopi. "Ved at supplere de seneste fremskridt inden for automatisering og autonome eksperimenter, denne udvikling udgør et vigtigt skridt i at fremskynde opdagelsen af nye materialer, " slutter Alfred Ludwig.