Deep-Learning-Modell kann eine bisher unbekannte quasikristalline Phase erkennen

Kristalline Materialien bestehen aus Atomen, Ionen oder Molekülen, die in einer geordneten, dreidimensionalen Struktur angeordnet sind. Sie werden häufig für die Entwicklung von Halbleitern, Pharmazeutika, Photovoltaik und Katalysatoren eingesetzt.

Die Art der Strukturen, die in die Kategorie der kristallinen Materialien fallen, nimmt weiter zu, da Wissenschaftler neuartige Materialien entwickeln, um neue Herausforderungen im Zusammenhang mit der Energiespeicherung, der Kohlenstoffabscheidung und der fortschrittlichen Elektronik zu bewältigen.

Die Entwicklung solcher Materialien erfordert jedoch genaue Methoden zu ihrer Identifizierung. Derzeit wird zu diesem Zweck häufig die Pulverröntgenbeugung eingesetzt. Es identifiziert die Struktur kristalliner Materialien durch die Untersuchung gestreuter Röntgenstrahlen einer pulverförmigen Probe. Allerdings wird die Aufgabe der Identifizierung recht komplex, wenn es um mehrphasige Proben geht, die verschiedene Kristalltypen mit unterschiedlichen Strukturen, Orientierungen oder Zusammensetzungen enthalten.

In solchen Fällen ist die genaue Identifizierung der verschiedenen in der Probe vorhandenen Phasen auf das Fachwissen der Wissenschaftler angewiesen, was den Prozess zeitaufwändig macht. Um diesen Prozess zu beschleunigen, wurden innovative datengesteuerte Methoden wie maschinelles Lernen zur Unterscheidung einzelner Phasen in mehrphasigen Proben eingesetzt.

Während bei der Verwendung dieser Methoden zur Sammlung von Informationen über bekannte Phasen erhebliche Fortschritte erzielt wurden, bleibt die Identifizierung unbekannter Phasen in mehrphasigen Proben immer noch eine Herausforderung.

Jetzt haben Forscher jedoch ein neues „binäres Klassifikator“-Modell für maschinelles Lernen vorgeschlagen, das das Vorhandensein von ikosaedrischen Quasikristallphasen (i-QC) – einer Art weiträumig geordneter Festkörper, die in ihren Beugungsmustern Selbstähnlichkeit aufweisen – identifizieren kann Mehrphasen-Pulver-Röntgenbeugungsmuster.

Diese Studie umfasste eine Zusammenarbeit zwischen der Tokyo University of Science (TUS), der National Defense Academy, dem National Institute for Materials Science, der Tohoku University und dem Institute of Statistical Mathematics. Es wurde von Junior Associate Professor Tsunetomo Yamada von der TUS, Japan, geleitet und war veröffentlicht im Fortgeschrittene Wissenschaft Zeitschrift am 14. November 2023.

„Überall auf der Welt haben Forscher versucht, mithilfe künstlicher Intelligenz und maschinellem Lernen neue Substanzen vorherzusagen. Allerdings erfordert die Feststellung, ob eine gewünschte Substanz produziert wird, erheblichen Zeit- und Arbeitsaufwand seitens menschlicher Experten. Daher kamen wir auf die Idee.“ „Deep Learning zu nutzen, um neue Phasen zu identifizieren“, erklärt Dr. Yamada.

Zur Entwicklung dieses Modells erstellten die Forscher zunächst einen „binären Klassifikator“ unter Verwendung von 80 Arten von Faltungs-Neuronalen Netzen. Als nächstes trainierten sie das Klassifikatormodell mithilfe synthetischer Mehrphasen-Röntgenbeugungsmuster, die als Darstellungen der erwarteten Muster im Zusammenhang mit i-QC-Phasen entworfen wurden. Nach der Trainingsphase wurde die Leistung des Modells sowohl anhand synthetischer Muster als auch einer Datenbank mit tatsächlichen Mustern bewertet.

Interessanterweise erreichte das Modell eine Vorhersagegenauigkeit von über 92 %. Außerdem wurde eine unbekannte i-QC-Phase in mehrphasigen Al-Si-Ru-Legierungen erfolgreich identifiziert, als 440 gemessene Beugungsmuster von unbekannten Materialien in sechs verschiedenen Legierungssystemen untersucht wurden. Das Vorhandensein der unbekannten i-QC-Phase wurde durch die Analyse der Mikrostruktur und Zusammensetzung des Materials mittels Transmissionselektronenmikroskopie weiter bestätigt.

Bemerkenswert ist, dass die vorgeschlagene Deep-Learning-Methode die i-QC-Phase auch dann identifizieren kann, wenn sie nicht die wichtigste Komponente in der Mischung ist. Darüber hinaus kann dieses Modell zur Identifizierung neuer dekagonaler und zwölfeckiger QCs verwendet und auch auf verschiedene Arten anderer kristalliner Materialien erweitert werden.

„Mit dem vorgeschlagenen Modell konnten wir unbekannte quasikristalline Phasen, die in mehrphasigen Proben vorhanden sind, mit hoher Genauigkeit erkennen. Die Genauigkeit dieses Deep-Learning-Modells weist somit auf die Möglichkeit hin, den Prozess der Phasenidentifizierung von mehrphasigen Proben zu beschleunigen“, schließt Dr. Yamada . Darüber hinaus sind Dr. Yamada und sein Team zuversichtlich, dass dieses Modell zu einem Durchbruch auf dem Gebiet der Materialwissenschaften führen wird.

Zusammenfassend ist diese Studie ein bedeutender Fortschritt bei der Identifizierung völlig neuer Phasen in Quasikristallen, die häufig in Materialien wie mesoporösem Siliciumdioxid, Mineralien, Legierungen und Flüssigkristallen vorkommen.