Modern wetenschappelijk onderzoek naar materialen is sterk afhankelijk van het onderzoeken van hun gedrag op atomaire en moleculaire schaal. Om die reden, wetenschappers zijn voortdurend op zoek naar nieuwe en verbeterde methoden voor het verzamelen en analyseren van gegevens van materialen op die schaal.

Onderzoekers van het Center for Nanoscale Materials (CNM), een U.S. Department of Energy (DOE) Office of Science User Facility in het Argonne National Laboratory van de DOE, hebben een op machine learning gebaseerd algoritme uitgevonden voor het kwantitatief karakteriseren, in drie dimensies, materialen met eigenschappen zo klein als nanometers. Onderzoekers kunnen deze cruciale ontdekking toepassen op de analyse van de meeste structurele materialen die van belang zijn voor de industrie.

"Wat ons algoritme uniek maakt, is dat als je begint met een materiaal waarvan je in wezen niets weet over de microstructuur, het zal, binnen enkele seconden, vertel de gebruiker de exacte microstructuur in alle drie de dimensies, " zei Subramanian Sankaranarayanan, groepsleider van de CNM-theorie en modelleringsgroep en een universitair hoofddocent bij de afdeling Mechanische en Industriële Engineering aan de Universiteit van Illinois in Chicago.

"Bijvoorbeeld, met gegevens geanalyseerd door onze 3D-tool, " zei Henry Chan, CNM postdoctoraal onderzoeker en hoofdauteur van de studie, "gebruikers kunnen fouten en scheuren detecteren en mogelijk de levensduur voorspellen onder verschillende spanningen en spanningen voor alle soorten structurele materialen."

De meeste structurele materialen zijn polykristallijn, wat betekent dat een monster dat voor analysedoeleinden wordt gebruikt, miljoenen granen kan bevatten. De grootte en verdeling van die korrels en de holtes in een monster zijn kritische microstructurele kenmerken die belangrijke fysieke, mechanisch, optisch, chemische en thermische eigenschappen. Dergelijke kennis is belangrijk, bijvoorbeeld, tot de ontdekking van nieuwe materialen met gewenste eigenschappen, zoals sterkere en hardere machineonderdelen die langer meegaan.

Vroeger, wetenschappers hebben 3D-microstructurele kenmerken in een materiaal gevisualiseerd door snapshots te maken op de microschaal van veel 2D-plakjes, het verwerken van de afzonderlijke plakjes, en plak ze vervolgens aan elkaar om een ​​3D-afbeelding te vormen. Zo is het, bijvoorbeeld, met de geautomatiseerde tomografie-scanroutine die in ziekenhuizen wordt uitgevoerd. Dat proces, echter, is inefficiënt en leidt tot verlies van informatie. Onderzoekers zijn daarom op zoek gegaan naar betere methoden voor 3D-analyses.

"Aanvankelijk, " zei Mathew Cherukara, een assistent-wetenschapper bij CNM, "We dachten aan het ontwerpen van een op interceptie gebaseerd algoritme om naar alle grenzen tussen de talrijke korrels in het monster te zoeken totdat de volledige microstructuur in alle drie de dimensies in kaart wordt gebracht, maar zoals je je kunt voorstellen, met miljoenen granen, dat is buitengewoon tijdrovend en inefficiënt."

"Het mooie van ons machine learning-algoritme is dat het een niet-gecontroleerd algoritme gebruikt om het grensprobleem aan te pakken en zeer nauwkeurige resultaten te produceren met een hoge efficiëntie, " zei Chan. "In combinatie met down-sampling technieken, het duurt slechts enkele seconden om grote 3D-samples te verwerken en nauwkeurige microstructurele informatie te verkrijgen die robuust en bestand is tegen ruis."

Het team heeft het algoritme met succes getest door vergelijking met gegevens verkregen uit analyses van verschillende metalen (aluminium, ijzer, silicium en titanium) en zachte materialen (polymeren en micellen). Deze gegevens zijn afkomstig van eerder gepubliceerde experimenten en computersimulaties die zijn uitgevoerd bij twee DOE Office of Science User Facilities, de Argonne Leadership Computing Facility en het National Energy Research Scientific Computing Center. Ook gebruikt in dit onderzoek waren het Laboratory Computing Resource Center in Argonne en de Carbon Cluster in CNM.

"Voor onderzoekers die onze tool gebruiken, het belangrijkste voordeel is niet alleen het indrukwekkende 3D-beeld dat wordt gegenereerd, maar belangrijker, de gedetailleerde karakteriseringsgegevens, "zei Sankaranarayanan. "Ze kunnen zelfs kwantitatief en visueel de evolutie van een microstructuur volgen terwijl deze in realtime verandert."

Het machine learning-algoritme is niet beperkt tot vaste stoffen. Het team heeft het uitgebreid met karakterisering van de distributie van moleculaire clusters in vloeistoffen met belangrijke energie, chemische en biologische toepassingen.

Deze tool voor machine learning zou vooral een grote impact moeten hebben voor toekomstige realtime-analyse van gegevens die zijn verkregen uit grote materiaalkarakteriseringsfaciliteiten, zoals de geavanceerde fotonbron, een andere DOE Office of Science User Facility in Argonne, en andere synchrotrons over de hele wereld.

Deze studie, getiteld "Machine learning maakte autonome microstructurele karakterisering in 3D-monsters mogelijk, " verscheen in npj Computational Materials .