Ny AI-teknik skapar unika material "fingeravtryck" genom att analysera röntgendata över tid.

StockholmForskare har utvecklat en ny metod med hjälp av AI och röntgenfotonkorrelationsspektroskopi (XPCS) för att unikt identifiera material. Denna teknik hjälper forskare att observera hur material förändras över tid när de utsätts för stress eller slappnar av.

Forskare vid Argonne National Laboratory använde XPCS tillsammans med en oövervakad maskininlärningsalgoritm. AI:n lyckades hitta mönster i röntgendata som är svåra för människor att upptäcka. Huvudpunkterna i denna studie är:

• Användning av neurala nätverk för att analysera röntgendata
• Skapande av materiella "fingeravtryck" eller latenta representationer
• Kartläggning av dessa fingeravtryck för att förstå materialets utveckling
• Tillämpning av autoencoders för att omvandla och avkoda fingeravtrycksdata

Algoritmen, en typ av AI som inte kräver övervakning, lär sig att upptäcka dolda mönster i röntgenbilder. Detta gör det möjligt att omvandla stora mängder komplex data till lättförståeliga sammanfattningar. Dessa innehåller viktig information om provet.

James (Jay) Horwath, en postdoktoral forskare vid Argonne, förklarade varför denna metod är nödvändig. Han sade att mönstren som observeras under experimenten är så komplexa att även experter behöver AI-stöd för att förstå dem. Genom att förenkla data kan forskare förstå ett materials fullständiga beteende.

Läs också:

21 november 2024 · 15:27

USA dominerar AI-innovation, lämnar Kina bakom i Stanford-rankning

AI-NERD-projektet använder autoenkodare för att skapa unika mönster från bilder. En autoenkodare omvandlar först den ursprungliga bilden till en enklare form. Sedan använder en avkodare denna enklare form för att återskapa den fullständiga bilden. Genom att gruppera liknande mönster har forskare utvecklat en vägledning för att studera hur material förändras under olika förhållanden.

Anläggningen Advanced Photon Source (APS) kommer att producera röntgenstrålar som är 500 gånger ljusstarkare än tidigare. Denna ökade datamängd kommer att kräva AI för effektiv analys. Argonnes teori- och beräkningsgrupper har samarbetat kring molekylära simuleringar av polymers dynamik, vilket kommer att användas för att träna AI-system som AI-NERD.

Studien är författad av James Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan och Mathew Cherukara. Några av dessa forskare är också verksamma vid University of Chicago och University of Illinois Chicago.

Denna utveckling är mycket betydelsefull. Den kommer att underlätta framtida forskning när vi får mer detaljerad data från förbättrade röntgenapparater. AI:n kan snabbt sortera och organisera röntgenbilder i användbara mönster, vilket innebär ett stort framsteg inom materialvetenskap. Denna metod möjliggör mer exakta studier av hur material beter sig under olika förhållanden, vilket kan vara användbart inom många områden.