科学家开发出新的人工智能方法来创建材料指纹
研究表明材料在受到压力和放松时会发生怎样的变化。
和人类一样，材料也会随着时间而进化。它们在受到压力和放松时也会表现出不同的行为。科学家们希望测量材料变化的动态，他们开发了一种新技术，利用了 X 射线光子相关光谱 (XPCS)、 人工智能 (AI) 和机器学习。
这项技术可以创建不同材料的“指纹”，这些指纹可以通过神经网络读取和分析，从而获得科学家以前无法获得的新信息。神经网络是一种以类似于人脑的方式做出决策的计算机模型。
在美国 (DOE) 阿贡国家实验室先进光子源 (APS) 和纳米材料中心 (CNM) 的研究人员开展的一项新研究中，科学家们将 XPCS 与一种无监督机器学习算法相结合，这是一种不需要专家训练的神经网络。该算法可以自学识别胶体(悬浮在溶液中的一组粒子)散射的 X 射线排列中隐藏的模式。APS 和 CNM 是美国科学办公室的用户设施。
“人工智能的目标只是将散射图案视为常规图像或图片，并对其进行消化，以找出重复的图案。人工智能是模式识别专家。”——詹姆斯·霍沃斯(James (Jay) Horwath)，阿贡国家实验室
这项研究的第一作者、阿贡国家实验室博士后研究员詹姆斯(杰伊)霍沃斯 (James (Jay) Horwath) 说：“我们通过收集 X 射线散射数据来了解材料如何随时间移动和变化。”
这些图案太过复杂，科学家若没有人工智能的帮助，根本无法检测出来。“当我们发射 X 射线时，图案是如此多样和复杂，甚至连专家都很难理解它们的含义，”霍瓦斯说。
为了让研究人员更好地理解他们正在研究的内容，他们必须将所有数据压缩成指纹，这些指纹只包含有关样本的最基本信息。“你可以把它想象成拥有材料的基因组，它拥有重建整个图像所需的所有信息，”霍瓦斯说。
该项目名为“非平衡松弛动力学人工智能”，简称 AI-NERD。指纹是使用一种称为自动编码器的技术创建的。自动编码器是一种神经网络，它将原始图像数据转换为指纹(科学家称之为潜在表示)，并且还包括一种用于从潜在表示返回完整图像的解码器算法。
研究人员的目标是尝试创建材料指纹图谱，将具有相似特征的指纹聚集到一起。通过整体观察图谱上各个指纹区的特征，研究人员能够更好地了解材料的结构以及它们在受压和放松时如何随时间演变。
简单来说，AI 具有良好的通用模式识别能力，能够有效地对不同的 X 射线图像进行分类，并将其归类到地图中。“AI 的目标只是将散射模式视为常规图像或图片，并对其进行消化，以找出重复的模式，”Horwath 说。“AI 是模式识别专家。”
随着升级后的 APS 投入使用，使用 AI 来理解散射数据将变得尤为重要。改进后的设施将产生比原始 APS 亮 500 倍的 X 射线束。“我们从升级后的 APS 获得的数据需要 AI 的力量来对其进行分类，”Horwath 说。
CNM 的理论小组与阿贡国家实验室 X 射线科学部门的计算小组合作，对 XPCS 展示的聚合物动力学进行分子模拟，并在未来合成生成数据以用于训练 AI-NERD 等 AI 工作流程。
基于这项研究的论文发表 在《自然通讯》上。这项研究由阿贡实验室主导的研发基金资助。
版权声明：本文由用户上传，如有侵权请联系删除！