Maschinelles Lernen unterstützt die Suche nach neuen Materialien

Wissenschaftler entwickeln Deep-Learning-Modelle, um die riesigen Datenmengen der Röntgendiffraktometrie zu durchsuchen

29.12.2023

Symbolbild

Computer-generated image

Wissenschaftler der University of Rochester sagen, dass Deep Learning eine Technik verbessern kann, die bereits der Goldstandard für die Charakterisierung neuer Materialien ist. In einer Veröffentlichung des npj Computational Materials beschreibt das interdisziplinäre Team Modelle, die sie entwickelt haben, um die riesigen Datenmengen, die bei Röntgenbeugungsexperimenten anfallen, besser zu nutzen.

Bei Röntgenbeugungsexperimenten wird eine Probe mit hellen Lasern bestrahlt, wodurch Beugungsbilder entstehen, die wichtige Informationen über die Struktur und Eigenschaften des Materials enthalten. Der Leiter des Projekts, Niaz Abdolrahim, außerordentlicher Professor an der Fakultät für Maschinenbau und Wissenschaftler am Laboratory for Laser Energetics (LLE), sagt, dass herkömmliche Methoden zur Analyse dieser Bilder umstritten, zeitaufwändig und oft ineffizient sind.

"In jedem dieser Bilder steckt eine Menge Materialwissenschaft und Physik, und jeden Tag werden in Einrichtungen und Labors auf der ganzen Welt Terabytes an Daten produziert", sagt Abdolrahim. "Die Entwicklung eines guten Modells zur Analyse dieser Daten kann wirklich dazu beitragen, die Materialinnovation zu beschleunigen, Materialien unter extremen Bedingungen zu verstehen und Materialien für verschiedene technologische Anwendungen zu entwickeln."

Die Studie, die von Jerardo Salgado '23 MS (Materialwissenschaften) geleitet wird, ist besonders vielversprechend für Experimente mit hoher Energiedichte, wie sie am LLE von Forschern des Center for Matter at Atomic Pressures durchgeführt werden. Durch die Untersuchung des genauen Moments, in dem Materialien unter extremen Bedingungen ihre Phasen wechseln, können Wissenschaftler Wege zur Herstellung neuer Materialien finden und mehr über die Entstehung von Sternen und Planeten erfahren.

Laut Abdolrahim verbessert das Projekt, das von der National Nuclear Security Administration des US-Energieministeriums und der National Science Foundation finanziert wird, frühere Versuche, maschinelle Lernmodelle für die Röntgenbeugungsanalyse zu entwickeln, die hauptsächlich mit synthetischen Daten trainiert und ausgewertet wurden. Abdolrahim, Associate Professor Chenliang Xu von der Fakultät für Informatik und ihre Studenten haben reale Daten aus Experimenten mit anorganischen Materialien zum Trainieren ihrer Deep-Learning-Modelle verwendet.

Laut Abdolrahim müssen mehr experimentelle Daten aus Röntgenbeugungsanalysen öffentlich zugänglich sein, um die Modelle zu verfeinern. Laut Abdolrahim arbeitet das Team daran, Plattformen zu schaffen, auf denen andere ihre Daten teilen können, um das System zu trainieren und zu bewerten und es so noch effektiver zu machen.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

Jerardo E. Salgado, Samuel Lerman, Zhaotong Du, Chenliang Xu, Niaz Abdolrahim; "Automated classification of big X-ray diffraction data using deep learning models"; npj Computational Materials, Volume 9, 2023-12-4

https://www.chemie.de/news/1182363/maschinelles-lernen-unterstuetzt-die-suche-nach-neuen-materialien.html