Nowa technika AI generuje unikalne "odciski palców" materiałów umożliwiające analizę danych rentgenowskich.

WarsawNaukowcy opracowali nową metodę wykorzystującą AI i rentgenowską spektroskopię korelacyjną fotonów (XPCS) do unikalnej identyfikacji materiałów. Ta technika pozwala badaczom obserwować, jak materiały zmieniają się w czasie, gdy są poddawane naciskowi lub relaksacji.

Naukowcy z Argonne National Laboratory zastosowali technikę XPCS w połączeniu z niesuperwizowanym algorytmem uczenia maszynowego. Sztuczna inteligencja potrafiła dostrzec wzorce w danych rentgenowskich, które są trudne do zrozumienia dla ludzi. Główne punkty tego badania to:

• Zastosowanie sieci neuronowych do analizy danych rentgenowskich
• Tworzenie "odcisków palców" materiałów lub reprezentacji ukrytych
• Mapowanie tych odcisków w celu zrozumienia ewolucji materiałów
• Wykorzystanie autoenkoderów do konwersji i dekodowania danych odcisków

Ten algorytm, będący rodzajem sztucznej inteligencji niewymagającym nadzoru, uczy się odnajdywać ukryte wzorce w wynikach rentgenowskich. Upraszcza to duże ilości złożonych danych do łatwych do zrozumienia podsumowań. Te podsumowania zawierają istotne informacje o próbce.

James (Jay) Horwath, badacz podoktorski w Argonne, wyjaśnił potrzebę stosowania tej metody. Stwierdził, że wzorce obserwowane podczas eksperymentów są tak skomplikowane, że nawet eksperci potrzebują wsparcia ze strony sztucznej inteligencji, aby je zrozumieć. Dzięki upraszczaniu danych naukowcy mogą dokładniej przeanalizować pełne zachowanie materiału.

Zobacz również:

Dzisiaj · 12:41

Trudna transformacja OpenAI w spółkę nastawioną na zysk

Projekt AI-NERD wykorzystuje autoenkodery do tworzenia unikalnych wzorców z obrazów. Autoenkoder najpierw przekształca oryginalny obraz w prostszą formę. Następnie dekoder używa tej uproszczonej formy do odtworzenia pełnego obrazu. Łącząc podobne wzorce, badacze stworzyli przewodnik do analizy, jak materiały zmieniają się w różnych warunkach.

Obiekt Advanced Photon Source (APS) będzie wytwarzał wiązki rentgenowskie, które będą 500 razy jaśniejsze niż wcześniej. Ta zwiększona ilość danych będzie wymagała sztucznej inteligencji do skutecznej analizy. Grupy teoretyków i obliczeniowe w Argonne współpracowały nad symulacjami molekularnymi dynamiki polimerów, które będą wykorzystane do trenowania systemów AI, takich jak AI-NERD.

Autorami badania są James Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan i Mathew Cherukara. Niektórzy z tych naukowców pracują również na Uniwersytecie w Chicago oraz Uniwersytecie Illinois w Chicago.

Ten rozwój ma ogromne znaczenie. Pomoże w przyszłych badaniach dzięki uzyskaniu bardziej szczegółowych danych z lepszych aparatów rentgenowskich. Sztuczna inteligencja szybko sortuje i organizuje obrazy rentgenowskie w użyteczne wzorce, co znacząco poprawia naukę o materiałach. Ta metoda umożliwia dokładniejsze badania, jak materiały zachowują się w różnych warunkach, co może być użyteczne w wielu dziedzinach.