Kleurcodering maakt luchtkaarten veel gemakkelijker te begrijpen. Door middel van kleur kunnen we in één oogopslag zien waar een weg, bos, woestijn, stad, rivier of meer is.

In samenwerking met verschillende universiteiten heeft het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) een methode ontwikkeld voor het maken van kleurgecodeerde grafieken van grote hoeveelheden gegevens uit röntgenanalyse. Deze nieuwe tool maakt gebruik van computationele gegevenssortering om clusters te vinden die verband houden met fysieke eigenschappen, zoals een atomaire vervorming in een kristalstructuur. Het zou toekomstig onderzoek naar structurele veranderingen op atomaire schaal, veroorzaakt door temperatuurschommelingen, aanzienlijk moeten versnellen.

Het onderzoeksteam publiceerde hun bevindingen in de Proceedings of the National Academy of Sciences in een artikel met de titel "Gebruik van interpreteerbare en onbewaakte machine learning om big data van moderne röntgendiffractie aan te pakken."

"Onze methode maakt gebruik van machinaal leren om snel enorme hoeveelheden gegevens van röntgendiffractie te analyseren", zegt Raymond Osborn, senior natuurkundige bij de divisie Materials Science van Argonne. "Wat ons in het verleden maanden heeft gekost, duurt nu ongeveer een kwartier, met veel meer gedetailleerde resultaten."

Al meer dan een eeuw is röntgendiffractie (of XRD) een van de meest vruchtbare van alle wetenschappelijke methoden voor het analyseren van materialen. Het heeft belangrijke informatie opgeleverd over de 3D-atoomstructuur van ontelbare technologisch belangrijke materialen.

In de afgelopen decennia is de hoeveelheid gegevens die wordt geproduceerd in XRD-experimenten dramatisch toegenomen bij grote faciliteiten zoals de Advanced Photon Source (APS), een DOE Office of Science-gebruikersfaciliteit in Argonne. Het ontbreekt echter enorm aan analysemethoden die deze immense datasets aankunnen.

Het team noemt hun nieuwe methode X-ray Temperature Clustering, of kortweg XTEC. Het versnelt materiaalvondsten door snelle clustering en kleurcodering van grote röntgengegevenssets om eerder verborgen structurele veranderingen te onthullen die optreden als de temperatuur stijgt of daalt. Een typische grote dataset zou 10.000 gigabyte zijn, wat overeenkomt met ongeveer 3 miljoen nummers voor het streamen van muziek.

XTEC maakt gebruik van de kracht van onbewaakt machine learning, met behulp van methoden die voor dit project zijn ontwikkeld aan de Cornell University. Deze machine learning is niet afhankelijk van initiële training en leren met gegevens die al goed zijn bestudeerd. In plaats daarvan leert het door zonder dergelijke training patronen en clusters te vinden in grote datasets. Deze patronen worden vervolgens weergegeven door middel van kleurcodering.

"XTEC kan bijvoorbeeld rood toewijzen aan datacluster één, dat wordt geassocieerd met een bepaalde eigenschap die op een bepaalde manier verandert met de temperatuur", zei Osborn. "Dan zou cluster twee blauw zijn en geassocieerd met een andere eigenschap met een andere temperatuurafhankelijkheid, enzovoort. De kleuren vertellen of elk cluster het equivalent van een weg, bos of meer vertegenwoordigt op een luchtkaart."

Als testcase analyseerde XTEC gegevens van bundellijn 6-ID-D bij het APS, afkomstig van twee kristallijne materialen die supergeleidend zijn bij temperaturen dicht bij het absolute nulpunt. Bij deze ultralage temperatuur schakelen deze materialen over naar een supergeleidende toestand en bieden ze geen weerstand tegen elektrische stroom. Belangrijker voor deze studie is dat andere ongebruikelijke kenmerken naar voren komen bij hogere temperaturen die verband houden met veranderingen in de materiaalstructuur.

Door XTEC toe te passen, heeft het team een ​​ongekende hoeveelheid informatie geëxtraheerd over veranderingen in de atomaire structuur bij verschillende temperaturen. Die omvatten niet alleen vervormingen in de ordelijke rangschikking van atomen in het materiaal, maar ook fluctuaties die optreden wanneer dergelijke veranderingen plaatsvinden.

"Door machine learning kunnen we het gedrag van materialen zien dat niet zichtbaar is door conventionele XRD," zei Osborn. "En onze methode is toepasbaar op veel big data-problemen, niet alleen in supergeleiders, maar ook in batterijen, zonnecellen en elk temperatuurgevoelig apparaat."

De APS ondergaat een enorme upgrade die de helderheid van zijn röntgenstralen tot 500 keer zal verhogen. Samen met de upgrade zal er een aanzienlijke toename zijn van de gegevens die bij de APS worden verzameld, en machine learning-technieken zullen essentieel zijn om die gegevens tijdig te analyseren. + Verder verkennen

Machinaal leren gebruiken om kwantummateriaal te analyseren