Deep learning model kan detektere en hidtil ukendt kvasikrystallinsk fase

Krystallinske materialer er opbygget af atomer, ioner eller molekyler arrangeret i en ordnet, tredimensionel struktur. De bruges i vid udstrækning til udvikling af halvledere, lægemidler, fotovoltaik og katalysatorer.

Den type strukturer, der falder ind under kategorien krystallinske materialer, fortsætter med at udvide sig, efterhånden som videnskabsmænd designer nye materialer til at løse nye udfordringer vedrørende energilagring, kulstoffangst og avanceret elektronik.

Udviklingen af ​​sådanne materialer kræver imidlertid præcise måder at identificere dem på. I øjeblikket anvendes pulverrøntgendiffraktion i vid udstrækning til dette formål. Den identificerer strukturen af ​​krystallinske materialer ved at undersøge spredte røntgenstråler fra en pulveriseret prøve. Opgaven med identifikation bliver imidlertid ret kompleks, når man har at gøre med flerfaseprøver, der indeholder forskellige typer krystaller med forskellige strukturer, orienteringer eller sammensætninger.

I sådanne tilfælde er den nøjagtige identifikation af de forskellige faser, der er til stede i prøven, afhængig af videnskabsmænds ekspertise, hvilket gør processen tidskrævende. For at fremskynde denne proces er innovative datadrevne metoder, såsom maskinlæring, blevet brugt til at skelne individuelle faser inden for flerfaseprøver.

Selvom der er gjort betydelige fremskridt med at bruge dem til at indsamle information om kendte faser, er identifikation af ukendte faser i flerfaseprøver stadig en udfordring.

Nu har forskere imidlertid foreslået en ny maskinlærings-"binær klassificeringsmodel", der kan identificere tilstedeværelsen af ​​icosaedriske kvasikrystal-faser (i-QC) - en slags langdistance-ordnede faste stoffer, der har selv-lighed i deres diffraktionsmønstre - fra flerfasede pulverrøntgendiffraktionsmønstre.

Denne undersøgelse involverede samarbejde mellem Tokyo University of Science (TUS), National Defense Academy, National Institute for Materials Science, Tohoku University og Institute of Statistical Mathematics. Den blev ledet af juniorlektor Tsunetomo Yamada fra TUS, Japan, og blev offentliggjort i Advanced Science tidsskrift den 14. november 2023.

"Verden over har forskere gjort forsøg på at forudsige nye stoffer ved hjælp af kunstig intelligens og maskinlæring. Men at identificere, om et ønsket stof produceres, tager betydelig tid og kræfter fra menneskelige eksperters side. Derfor kom vi på ideen at bruge dyb læring til at identificere nye faser," forklarer Dr. Yamada.

For at udvikle den nævnte model skabte forskerne først en "binær klassificeringsanordning" ved hjælp af 80 typer af foldende neurale netværk. De trænede derefter klassificeringsmodellen ved hjælp af syntetiske flerfasede røntgendiffraktionsmønstre, som var designet som repræsentationer af de forventede mønstre forbundet med i-QC-faser. Efter træningsfasen blev modellens ydeevne vurderet ved hjælp af både syntetiske mønstre og en database med faktiske mønstre.

Ganske interessant opnåede modellen en forudsigelsesnøjagtighed på over 92%. Den identificerede også med succes en ukendt i-QC-fase inden for flerfasede Al-Si-Ru-legeringer, når den blev brugt til screening af 440 målte diffraktionsmønstre fra ukendte materialer i seks forskellige legeringssystemer. Tilstedeværelsen af ​​den ukendte i-QC fase blev yderligere bekræftet ved at analysere mikrostrukturen og sammensætningen af ​​materialet ved hjælp af transmissionselektronmikroskopi.

Navnlig har den foreslåede dybe læringsmetode evnen til at identificere i-QC-fasen, selv når den ikke er den mest fremtrædende komponent i blandingen. Desuden kan denne model bruges til identifikation af nye dekagonale og dodecagonale QC'er og kan også udvides til forskellige typer af andre krystallinske materialer.

"Med den foreslåede model var vi i stand til at detektere ukendte kvasikrystallinske faser til stede i flerfaseprøver med høj nøjagtighed. Nøjagtigheden af ​​denne dybe læringsmodel peger således på muligheden for at accelerere processen med faseidentifikation af flerfaseprøver," konkluderer Dr. Yamada . Desuden er Dr. Yamada og hans team overbevist om, at denne model vil føre til et gennembrud inden for materialevidenskab.

Sammenfattende er denne undersøgelse et væsentligt skridt fremad i identifikation af helt nye faser i kvasikrystaller, der almindeligvis findes i materialer som mesoporøs silica, mineraler, legeringer og flydende krystaller.

Flere oplysninger: Hirotaka Uryu et al., Deep Learning muliggør hurtig identifikation af en ny kvasikrystal fra flerfasede pulverdiffraktionsmønstre, Advanced Science (2023). DOI:10.1002/advs.202304546

Journaloplysninger: Avanceret videnskab

Leveret af Tokyo University of Science