Neue KI-Technik enthüllt einzigartige Materialfingerabdrücke mit Röntgenanalyse und maschinellem Lernen

BerlinWissenschaftler haben eine neue Methode entwickelt, die künstliche Intelligenz und Röntgen-Photonen-Korrelationsspektroskopie (XPCS) nutzt, um Materialien eindeutig zu identifizieren. Diese Technik ermöglicht es Forschern, zu beobachten, wie sich Materialien unter Stress oder Entspannung im Laufe der Zeit verändern.

Forscher am Argonne National Laboratory nutzten XPCS zusammen mit einem unüberwachten maschinellen Lernalgorithmus. Die KI konnte Muster in Röntgendaten erkennen, die für Menschen schwer verständlich sind. Die Hauptpunkte dieser Studie sind:

• Einsatz von neuronalen Netzen zur Analyse von Röntgendaten
• Erstellung von Material-"Fingerabdrücken" oder latenten Repräsentationen
• Mapping dieser Fingerabdrücke zur Verständnis der Materialentwicklung
• Anwendung von Autoencodern zur Konvertierung und Dekodierung von Fingerabdruckdaten

Der Algorithmus, eine Art KI, die keine Betreuung benötigt, lernt, versteckte Muster in Röntgenergebnissen zu erkennen. Dadurch wird eine große Menge komplexer Daten in leicht verständliche Zusammenfassungen umgewandelt. Diese Zusammenfassungen enthalten wichtige Informationen über die Probe.

James (Jay) Horwath, ein Postdoktorand am Argonne, erläuterte die Notwendigkeit dieser Methode. Er erklärte, dass die Muster, die während der Experimente beobachtet werden, so komplex sind, dass selbst Experten auf Hilfe von KI angewiesen sind, um sie zu verstehen. Durch die Vereinfachung der Daten können Wissenschaftler das vollständige Verhalten eines Materials entschlüsseln.

Lesen Sie auch:

Heute · 03:00

Patagonien unter Druck: Gletscherschutz durch Emissionsreduktion, um Schnee statt Regen zu sichern

Das AI-NERD-Projekt nutzt Autoencoder, um einzigartige Muster aus Bildern zu erstellen. Zunächst wandelt ein Autoencoder das ursprüngliche Bild in eine vereinfachte Form um. Anschließend verwendet ein Decoder diese vereinfachte Form, um das vollständige Bild wiederherzustellen. Durch das Gruppieren ähnlicher Muster haben die Forscher einen Leitfaden entwickelt, um zu untersuchen, wie sich Materialien unter verschiedenen Bedingungen verändern.

Die Anlage des Advanced Photon Source (APS) wird Röntgenstrahlen erzeugen, die 500 Mal heller sind als bisher. Diese Zunahme an Daten erfordert den Einsatz von KI für eine effektive Analyse. Die theoretischen und rechnerischen Gruppen von Argonne arbeiteten gemeinsam an molekularen Simulationen der Polymerdynamik, die zur Schulung von KI-Systemen wie AI-NERD verwendet werden sollen.

Zu den Autoren der Studie gehören James Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan und Mathew Cherukara. Einige dieser Forscher sind ebenfalls an der University of Chicago und der University of Illinois Chicago tätig.

Diese Entwicklung ist von großer Bedeutung. Sie wird die zukünftige Forschung unterstützen, da wir dank verbesserter Röntgengeräte detailliertere Daten erhalten. Die KI kann Röntgenbilder schnell sortieren und in nützliche Muster ordnen, was einen erheblichen Fortschritt in der Materialwissenschaft darstellt. Mit dieser Methode können wir präzisere Untersuchungen zum Verhalten von Materialien unter verschiedenen Bedingungen durchführen, was in vielen Bereichen nützlich sein könnte.