Maskinlæring siver gennem enorme data fra røntgendiffraktionsteknikker for at finde nye materialer

Forskere fra University of Rochester siger, at dyb læring kan overlade en teknik, der allerede er guldstandarden for at karakterisere nye materialer. I en npj Computational Materials papir, beskriver det tværfaglige team modeller, de har udviklet for bedre at udnytte de enorme mængder data, som røntgendiffraktionseksperimenter producerer.

Under røntgendiffraktionseksperimenter skinner en stråle af røntgenstråler på en prøve og producerer diffrakterede billeder, der indeholder vigtig information om materialets struktur og egenskaber. Projektleder Niaz Abdolrahim, en lektor ved Institut for Maskinteknik og en videnskabsmand ved Laboratory for Laser Energetics (LLE), siger, at konventionelle metoder til at analysere disse billeder kan være omstridte, tidskrævende og ofte ineffektive.

"Der er en masse materialevidenskab og fysik gemt i hvert af disse billeder, og terabyte af data bliver produceret hver dag på faciliteter og laboratorier verden over," siger Abdolrahim. "At udvikle en god model til at analysere disse data kan virkelig hjælpe med at fremskynde materialeinnovation, forstå materialer under ekstreme forhold og udvikle materialer til forskellige teknologiske anvendelser."

Studiet, ledet af materialevidenskab ph.d. studerende Jerardo Salgado, har særligt lovende for eksperimenter med høj energitæthed som dem, der blev udført på LLE af forskere fra Center for Matter ved Atomic Pressures. Ved at undersøge det præcise tidspunkt, hvor materialer under ekstreme forhold ændrer faser, kan forskerne opdage måder at skabe nye materialer på og lære om dannelsen af ​​stjerner og planeter.

Abdolrahim siger, at projektet forbedrer tidligere forsøg på at udvikle maskinlæringsmodeller til røntgendiffraktionsanalyse, der blev trænet og evalueret primært med syntetiske data. Abdolrahim, lektor Chenliang Xu fra Institut for Datalogi, og deres studerende inkorporerede data fra den virkelige verden fra eksperimenter med uorganiske materialer for at træne deres dybe læringsmodeller.

Flere eksperimentelle data fra røntgendiffraktionsanalyse skal være offentligt tilgængelige for at hjælpe med at forfine modellerne, ifølge Abdolrahim. Hun siger, at holdet arbejder på at skabe platforme, hvor andre kan dele data, som kan hjælpe med at træne og evaluere systemet, hvilket gør det endnu mere effektivt.

Rettelsesbemærkning (25/12/2023):Andet afsnit blev opdateret for nøjagtigheden.

Flere oplysninger: Jerardo E. Salgado et al., Automatiseret klassificering af store røntgendiffraktionsdata ved hjælp af deep learning-modeller, npj Computational Materials (2023). DOI:10.1038/s41524-023-01164-8

Leveret af University of Rochester