Wetenschappers van de Universiteit van Rochester zeggen dat deep learning een techniek die nu al de gouden standaard is voor het karakteriseren van nieuwe materialen, een boost kan geven. In een npj Computational Materials In zijn paper beschrijft het interdisciplinaire team modellen die ze hebben ontwikkeld om beter gebruik te kunnen maken van de enorme hoeveelheden gegevens die röntgendiffractie-experimenten opleveren.

Tijdens röntgendiffractie-experimenten schijnt een bundel röntgenstralen op een monster, waardoor diffractiebeelden ontstaan ​​die belangrijke informatie bevatten over de structuur en eigenschappen van het materiaal. Projectleider Niaz Abdolrahim, universitair hoofddocent bij de afdeling Werktuigbouwkunde en wetenschapper bij het Laboratorium voor Laser-energetica (LLE), zegt dat conventionele methoden voor het analyseren van deze beelden controversieel, tijdrovend en vaak ineffectief kunnen zijn.

"Er zit veel materiaalwetenschap en natuurkunde verborgen in elk van deze beelden en terabytes aan gegevens worden elke dag geproduceerd in faciliteiten en laboratoria over de hele wereld", zegt Abdolrahim. "Het ontwikkelen van een goed model om deze gegevens te analyseren kan echt helpen de materiaalinnovatie te versnellen, materialen onder extreme omstandigheden te begrijpen en materialen te ontwikkelen voor verschillende technologische toepassingen."

De studie, geleid door materiaalkunde Ph.D. student Jerardo Salgado, heeft een bijzondere belofte voor experimenten met hoge energiedichtheid, zoals die uitgevoerd bij LLE door onderzoekers van het Center for Matter at Atomic Pressures. Door het precieze moment te onderzoeken waarop materialen onder extreme omstandigheden van fase veranderen, kunnen wetenschappers manieren ontdekken om nieuwe materialen te creëren en meer te weten te komen over de vorming van sterren en planeten.

Abdolrahim zegt dat het project een verbetering is ten opzichte van eerdere pogingen om machine learning-modellen te ontwikkelen voor röntgendiffractieanalyse, die voornamelijk zijn getraind en geëvalueerd met synthetische gegevens. Abdolrahim, universitair hoofddocent Chenliang Xu van de afdeling Computerwetenschappen, en hun studenten verwerkten gegevens uit de praktijk uit experimenten met anorganische materialen om hun diepgaande leermodellen te trainen.

Volgens Abdolrahim moeten er meer experimentele gegevens voor röntgendiffractieanalyse openbaar beschikbaar zijn om de modellen te helpen verfijnen. Ze zegt dat het team werkt aan het creëren van platforms waar anderen gegevens kunnen delen die kunnen helpen bij het trainen en evalueren van het systeem, waardoor het nog effectiever wordt.

Correctieopmerking (25-12-2023):De tweede alinea is bijgewerkt vanwege de nauwkeurigheid.

Meer informatie: Jerardo E. Salgado et al, Geautomatiseerde classificatie van grote röntgendiffractiegegevens met behulp van deep learning-modellen, npj Computational Materials (2023). DOI:10.1038/s41524-023-01164-8

Aangeboden door Universiteit van Rochester