Efficiënte analyse van röntgendiffractiegegevens (XRD) speelt een cruciale rol bij de ontdekking van nieuwe materialen, bijvoorbeeld voor de energiesystemen van de toekomst. Het wordt gebruikt om de kristalstructuren van nieuwe materialen te analyseren om erachter te komen, voor welke toepassingen ze geschikt kunnen zijn. XRD-metingen zijn de afgelopen jaren al aanzienlijk versneld door automatisering en leveren grote hoeveelheden gegevens op bij het meten van materiaalbibliotheken. "Echter, XRD-analysetechnieken zijn nog grotendeels handmatig, tijdrovend, foutgevoelig en niet schaalbaar, ", zegt Alfred Ludwig. "Om in de toekomst sneller nieuwe materialen te ontdekken en te optimaliseren met behulp van autonome experimenten met hoge doorvoer, er zijn nieuwe methoden nodig."

In een nieuwe publicatie in Natuur Computational Science , een team onder leiding van Dr. Phillip M. Maffettone (momenteel bij National Synchrotron Light Source II in Upton, U.S.) en professor Andrew Cooper van het Department of Chemistry and Materials Innovation Factory aan de Universiteit van Liverpool, en Lars Banko en professor Alfred Ludwig van de leerstoel Materials Discovery and Interfaces en Yury Lysogorskiy van het Interdisciplinair Centrum voor geavanceerde materiaalsimulatie laten zien hoe kunstmatige intelligentie kan worden gebruikt om XRD-gegevensanalyse sneller en nauwkeuriger te maken. De oplossing is een AI-agent genaamd Crystallography Companion Agent (XCA), die samenwerkt met de wetenschappers. XCA kan tijdens het meten autonome fase-identificaties uitvoeren op basis van XRD-gegevens. Het middel is geschikt voor zowel organische als anorganische materiaalsystemen. Dit wordt mogelijk gemaakt door de grootschalige simulatie van fysiek correcte röntgendiffractiegegevens die worden gebruikt om het algoritme te trainen.

Expertdiscussie wordt gesimuleerd

Wat is meer, een uniek kenmerk van de agent die het team heeft aangepast voor de huidige taak, is dat het de overmoed van traditionele neuronale netwerken overwint. Dergelijke netwerken nemen een definitieve beslissing, zelfs als de gegevens geen definitieve conclusie ondersteunen, terwijl een wetenschapper zijn onzekerheid zou communiceren en de resultaten met andere onderzoekers zou bespreken. "Dit besluitvormingsproces in de groep wordt gesimuleerd door een ensemble van neurale netwerken, vergelijkbaar met een stemming onder deskundigen, " legt Lars Banko uit. In XCA, een ensemble van neurale netwerken vormt het expertpanel, bij wijze van spreken, die een aanbeveling aan de onderzoekers voorlegt. "Dit wordt bereikt zonder handleiding, mens-gelabelde gegevens en is robuust voor vele bronnen van experimentele complexiteit, ' zegt Banko.

XCA kan ook worden uitgebreid naar andere vormen van karakterisering, zoals spectroscopie. "Door de recente ontwikkelingen op het gebied van automatisering en autonoom experimenteren aan te vullen, deze ontwikkeling vormt een belangrijke stap in het versnellen van de ontdekking van nieuwe materialen, " besluit Alfred Ludwig.