Nieuwe AI-methode onthult unieke vingerafdrukken van materialen met XPCS-analyse

AmsterdamWetenschappers hebben een nieuwe methode ontwikkeld waarbij ze gebruikmaken van AI en röntgen-fotonencorrelatiespectroscopie (XPCS) om materialen op unieke wijze te identificeren. Met deze techniek kunnen onderzoekers volgen hoe materialen in de loop van de tijd veranderen wanneer ze onder stress staan of ontspannen worden.

Onderzoekers bij het Argonne National Laboratory hebben XPCS en een onbegeleide machine learning-algoritme gebruikt. De AI slaagde erin patronen in röntgengegevens te ontdekken die voor mensen moeilijk te begrijpen zijn. De belangrijkste bevindingen van deze studie zijn:

• Gebruik van neurale netwerken om röntgendata te analyseren
• Creëren van materiaal "vingerafdrukken" of latente representaties
• Deze vingerafdrukken in kaart brengen om materiaalevolutie te begrijpen
• Toepassing van auto-encoders om vingerafdrukgegevens om te zetten en te decoderen

Het algoritme, een type AI dat geen toezicht nodig heeft, leert verborgen patronen in röntgenresultaten te herkennen. Dit vereenvoudigt grote hoeveelheden complexe data naar makkelijk te begrijpen samenvattingen. Deze samenvattingen bevatten belangrijke informatie over het monster.

James (Jay) Horwath, een postdoctoraal onderzoeker bij Argonne, legde uit waarom deze methode noodzakelijk is. Hij gaf aan dat de patronen die tijdens experimenten worden waargenomen zo complex zijn dat zelfs experts de hulp van AI nodig hebben om ze te begrijpen. Door de data te vereenvoudigen, kunnen wetenschappers het volledige gedrag van een materiaal achterhalen.

Lees ook:

Vandaag · 14:35

AI-chatbots bieden nauwkeurige adviezen bij lage rugpijn.

Het AI-NERD project maakt gebruik van auto-encoders om unieke patronen uit beelden te creëren. Een auto-encoder zet eerst het oorspronkelijke beeld om naar een eenvoudiger vorm. Vervolgens gebruikt een decoder deze vereenvoudigde vorm om het volledige beeld opnieuw samen te stellen. Door vergelijkbare patronen te groeperen, stelden onderzoekers een gids op om te bestuderen hoe materialen veranderen onder verschillende omstandigheden.

De Advanced Photon Source (APS) faciliteit zal X-ray bundels genereren die 500 keer helderder zijn dan voorheen. Deze toename in data vereist het gebruik van AI voor een effectieve analyse. De theorie- en computergroepen van Argonne werkten samen aan moleculaire simulaties van polymerendynamiek, die gebruikt zullen worden om AI-systemen zoals AI-NERD te trainen.

De auteurs van de studie zijn James Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan en Mathew Cherukara. Enkele van deze onderzoekers zijn ook verbonden aan de Universiteit van Chicago en de Universiteit van Illinois in Chicago.

Deze ontwikkeling is van groot belang. Het zal toekomstige onderzoeken bevorderen doordat we gedetailleerdere gegevens krijgen van verbeterde röntgenapparaten. De AI kan röntgenbeelden snel sorteren en indelen in nuttige patronen, wat een grote vooruitgang betekent voor materiaalkunde. Deze methode maakt nauwkeurigere studies van hoe materialen zich onder verschillende omstandigheden gedragen mogelijk, wat in veel gebieden van pas kan komen.