Nueva técnica de IA revela 'huellas digitales' únicas de materiales mediante XPCS en Argonne.
MadridCientíficos han desarrollado un innovador método que combina la IA y la espectroscopía de correlación de fotones de rayos X (XPCS) para identificar materiales de manera única. Esta técnica permite a los investigadores observar cómo cambian los materiales con el tiempo bajo condiciones de estrés o relajación.
Investigadores del Laboratorio Nacional de Argonne utilizaron XPCS junto con un algoritmo de aprendizaje automático no supervisado. La inteligencia artificial fue capaz de identificar patrones en los datos de rayos X que los humanos no pueden comprender fácilmente. Los puntos principales de este estudio son:
- Uso de redes neuronales para analizar datos de rayos X
- Creación de "huellas digitales" o representaciones latentes de materiales
- Mapeo de estas huellas para comprender la evolución de los materiales
- Aplicación de autoencoders para convertir y decodificar datos de huellas digitales
El algoritmo, un tipo de inteligencia artificial que no requiere supervisión, aprende a identificar patrones ocultos en los resultados de rayos X. Esto simplifica grandes cantidades de datos complejos en resúmenes fáciles de entender. Estos resúmenes contienen información crucial sobre la muestra.
James (Jay) Horwath, investigador postdoctoral en Argonne, explicó la necesidad de este método. Mencionó que los patrones observados durante los experimentos son tan complejos que incluso los expertos necesitan la ayuda de la IA para comprenderlos. Al simplificar los datos, los científicos pueden descifrar el comportamiento completo de un material.
El proyecto AI-NERD emplea autoencoders para generar patrones únicos a partir de imágenes. Inicialmente, un autoencoder transforma la imagen original en una forma más simple. Luego, un decodificador usa esa forma simplificada para recrear la imagen completa. Al agrupar patrones similares, los investigadores crearon una guía para estudiar cómo los materiales cambian bajo diferentes condiciones.
La instalación del Advanced Photon Source (APS) generará haces de rayos X que serán 500 veces más brillantes que antes. Este aumento en los datos requerirá el uso de IA para un análisis eficaz. Los grupos de teoría y computación de Argonne colaboraron en simulaciones moleculares de la dinámica de polímeros, que se utilizarán para entrenar sistemas de IA como AI-NERD.
Los autores del estudio son James Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan y Mathew Cherukara. Algunos de estos investigadores también trabajan en la Universidad de Chicago y en la Universidad de Illinois en Chicago.
Este avance es sumamente significativo. Facilitara la investigación futura al obtener datos más detallados de mejores máquinas de rayos X. La inteligencia artificial puede clasificar y organizar rápidamente las imágenes de rayos X en patrones útiles, mejorando notablemente la ciencia de los materiales. Este método permite realizar estudios más precisos sobre el comportamiento de los materiales bajo diferentes condiciones, lo cual podría ser beneficioso en múltiples áreas.
El estudio se publica aquí:
http://dx.doi.org/10.1038/s41467-024-49381-zy su cita oficial - incluidos autores y revista - es
James P. Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric M. Dufresne, Miaoqi Chu, Subramanian K.R.S. Sankaranarayanan, Wei Chen, Suresh Narayanan, Mathew J. Cherukara. AI-NERD: Elucidation of relaxation dynamics beyond equilibrium through AI-informed X-ray photon correlation spectroscopy. Nature Communications, 2024; 15 (1) DOI: 10.1038/s41467-024-49381-z27 de octubre de 2024 · 4:35
Autoría percibida: el desafío de la IA en la creación de historias
26 de octubre de 2024 · 20:44
La revolución de la ciencia: cómo la IA y la robótica impulsan el descubrimiento en los laboratorios
26 de octubre de 2024 · 6:52
Herramienta de IA en hospitales inventa declaraciones, advierten investigadores.
Compartir este artículo