Wetenschap
Versnelde materiaalkarakterisering:Machine learning ontmoet röntgenabsorptiespectroscopie
Wetenschappers van het Lawrence Livermore National Laboratory (LLNL) hebben een nieuwe aanpak ontwikkeld die snel de structuur en chemische samenstelling van heterogene materialen kan voorspellen.
In een nieuwe studie in Chemistry of Materials LLNL-wetenschappers Wonseok Jeong en Tuan Anh Pham hebben een aanpak ontwikkeld die machinaal leren combineert met röntgenabsorptiespectroscopie (XANES) om de chemische speciatie van amorfe koolstofnitriden op te helderen.
Het onderzoek biedt diepgaande nieuwe inzichten in de lokale atomaire structuur van de systemen, en vertegenwoordigt in een bredere context een cruciale stap in het opzetten van een geautomatiseerd raamwerk voor snelle karakterisering van heterogene materialen met ingewikkelde structuren.
Het ontrafelen van de atomaire structuur van heterogene materialen, zoals koolstofhoudende residuen die worden geproduceerd door de ontploffing van explosieven, is een aanzienlijke uitdaging voor materiaalwetenschappers. Het proces is vaak arbeidsintensief en omvat in veel gevallen het gebruik van empirische parameters.
Om deze uitstekende uitdaging aan te gaan, begint de geïntegreerde aanpak van het team met de ontwikkeling van mogelijkheden voor machinaal leren die in staat zijn om op efficiënte wijze de enorme configuratieruimte van amorfe koolstofnitriden als representatief systeem te verkennen. Dit op neurale netwerken gebaseerde model maakt de identificatie mogelijk van representatieve lokale structuren binnen het materiaal, waardoor inzicht wordt verkregen in hoe deze structuren evolueren met chemische samenstellingen en dichtheid.
Door deze machine-learning-mogelijkheden te koppelen aan high-fidelity atomistische simulaties, leggen de onderzoekers correlaties vast tussen lokale atomaire structuren en spectroscopische handtekeningen. Deze correlatie dient als basis voor het interpreteren van experimentele XANES-gegevens, waardoor cruciale chemische informatie uit complexe spectra kan worden geëxtraheerd.
"In onze studie wilden we de al lang bestaande uitdaging van het karakteriseren van detonatieproducten en ongeordende materialen in het algemeen aanpakken door computationele methoden te integreren met experimentele technieken", zegt Jeong, de eerste auteur van het artikel.
"Onze aanpak verbetert niet alleen ons begrip van deze materialen, maar legt ook de basis voor soortgelijke studies over verschillende materiaalsystemen en karakteriseringsmethoden. De aanpak kan bijvoorbeeld gemakkelijk worden toegepast om elementaire speciatie voor een breed scala aan koolstofhoudende residuen te voorspellen en input te leveren voor het verbeteren van detonatiemodellen", zegt Pham, de hoofdonderzoeker van het project.
De bevindingen van het onderzoek vertegenwoordigen een aanzienlijke vooruitgang op het gebied van de materiaalkunde en bieden een robuust raamwerk voor het ophelderen van de atomaire speciatie van wanordelijke systemen. Bovendien betekent de veelzijdigheid van de aanpak dat deze gemakkelijk kan worden aangepast om andere materiaalklassen en experimentele karakteriseringssondes te onderzoeken, waardoor de weg wordt vrijgemaakt voor realtime interpretatie van spectroscopische metingen.
Het onderzoek omvat een samenwerking tussen onderzoekers met verschillende achtergronden, wat het interdisciplinaire karakter van LLNL-onderzoek benadrukt. Terwijl wetenschappers de grenzen van materiaalontwerp en karakterisering blijven verkennen, houden innovatieve benaderingen zoals deze de belofte in van het ontsluiten van nieuwe kansen voor technologische innovatie en wetenschappelijke ontdekkingen, aldus Jeong.
Andere co-auteurs op het papier zijn Wenyu Sun, Marcos Calegari Andrade, Liwen Wan, Trevor Willey en Michael Nielsen.