Wie Menschen entwickeln sich auch Materialien im Laufe der Zeit. Sie verhalten sich auch bei Belastung und Entspannung unterschiedlich. Wissenschaftler, die die Dynamik der Materialveränderungen messen möchten, haben eine neue Technik entwickelt, die Röntgenphotonenkorrelationsspektroskopie (XPCS), künstliche Intelligenz (KI) und maschinelles Lernen nutzt.
Diese Technik erzeugt „Fingerabdrücke“ verschiedener Materialien, die von einem neuronalen Netzwerk gelesen und analysiert werden können, um neue Informationen zu gewinnen, auf die Wissenschaftler bisher keinen Zugriff hatten. Ein neuronales Netzwerk ist ein Computermodell, das Entscheidungen auf ähnliche Weise trifft wie das menschliche Gehirn.
In einer neuen Studie von Forschern der Advanced Photon Source (APS) und des Center for Nanoscale Materials (CNM) am Argonne National Laboratory des US-Energieministeriums (DOE) haben Wissenschaftler XPCS mit einem unbeaufsichtigten Algorithmus für maschinelles Lernen kombiniert, einer Art neuronalem Netzwerk, das kein Expertentraining erfordert. Der Algorithmus lernt sich selbst, Muster zu erkennen, die in Anordnungen von Röntgenstrahlen verborgen sind, die von einem Kolloid – einer Gruppe von in einer Lösung schwebenden Partikeln – gestreut werden. APS und CNM sind Nutzereinrichtungen des DOE Office of Science.
A Papier basierend auf der Studie erscheint in Naturkommunikation.
„Durch das Sammeln von Röntgenstreudaten verstehen wir, wie sich Materialien im Laufe der Zeit bewegen und verändern“, sagte der Postdoktorand James (Jay) Horwath von Argonne, der Erstautor der Studie.
Diese Muster sind für Wissenschaftler ohne die Hilfe der KI zu kompliziert, als dass sie sie erkennen könnten.
„Wenn wir den Röntgenstrahl auf die Oberfläche richten, sind die Muster so vielfältig und kompliziert, dass es sogar für Experten schwierig wird, ihre Bedeutung zu verstehen“, sagte Horwath.
Damit die Forscher besser verstehen, was sie untersuchen, müssen sie alle Daten zu Fingerabdrücken zusammenfassen, die nur die wesentlichsten Informationen über die Probe enthalten.
„Man kann es sich so vorstellen, als hätte man das Genom des Materials; es enthält alle notwendigen Informationen, um das gesamte Bild zu rekonstruieren“, sagte Horwath.
Das Projekt heißt Artificial Intelligence for Non-Equilibrium Relaxation Dynamics, kurz AI-NERD. Die Fingerabdrücke werden mithilfe einer Technik namens Autoencoder erstellt. Ein Autoencoder ist eine Art neuronales Netzwerk, das die ursprünglichen Bilddaten in den Fingerabdruck umwandelt – von Wissenschaftlern als latente Repräsentation bezeichnet – und das außerdem einen Decoder-Algorithmus enthält, der verwendet wird, um von der latenten Repräsentation zurück zum vollständigen Bild zu gelangen.
Das Ziel der Forscher bestand darin, eine Karte der Fingerabdrücke des Materials zu erstellen, indem sie Fingerabdrücke mit ähnlichen Merkmalen in Nachbarschaften gruppierten. Durch die ganzheitliche Betrachtung der Merkmale der verschiedenen Fingerabdrucknachbarschaften auf der Karte konnten die Forscher besser verstehen, wie die Materialien strukturiert waren und wie sie sich im Laufe der Zeit unter Belastung und Entspannung entwickelten.
Einfach ausgedrückt verfügt KI über gute allgemeine Mustererkennungsfähigkeiten, wodurch sie in der Lage ist, die verschiedenen Röntgenbilder effizient zu kategorisieren und in die Karte einzuordnen.
„Das Ziel der KI ist es, die Streumuster wie normale Bilder zu behandeln und zu verarbeiten, um herauszufinden, was die sich wiederholenden Muster sind“, sagte Horwath. „Die KI ist ein Experte für Mustererkennung.“
Der Einsatz von KI zum Verständnis von Streudaten wird besonders wichtig sein, wenn das verbesserte APS online geht. Die verbesserte Anlage wird 500-mal hellere Röntgenstrahlen erzeugen als das ursprüngliche APS.
„Um die Daten, die wir vom aktualisierten APS erhalten, zu sortieren, benötigen wir die Leistungsfähigkeit künstlicher Intelligenz“, sagte Horwath.
Die Theoriegruppe am CNM arbeitete mit der Computergruppe der Abteilung für Röntgenwissenschaft von Argonne zusammen, um molekulare Simulationen der von XPCS demonstrierten Polymerdynamik durchzuführen und zukünftig synthetisch Daten für das Training von KI-Workflows wie AI-NERD zu generieren.
Zu den Autoren der Studie gehören James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan und Mathew Cherukara von Argonne. Chen und He sind gemeinsam an der University of Chicago tätig, und Sankaranaryanan ist gemeinsam an der University of Illinois Chicago tätig.
Mehr Informationen:
James P. Horwath et al, AI-NERD: Aufklärung der Relaxationsdynamik jenseits des Gleichgewichts durch KI-gestützte Röntgenphotonenkorrelationsspektroskopie, Naturkommunikation (2024). DOI: 10.1038/s41467-024-49381-z