Wissenschaftler entwickeln neue KI-Methode zur Erstellung von Hardware-Fingerabdrücken

Genau wie Menschen entwickeln sich Materialien im Laufe der Zeit weiter. Auch unter Stress oder Entspannung verhalten sie sich unterschiedlich. Wissenschaftler, die die Dynamik der Materialentwicklung messen möchten, haben eine neue Technik entwickelt, die auf Röntgenphotonenkorrelationsspektroskopie (XPCS), künstlicher Intelligenz (KI) und maschinellem Lernen basiert.

Diese Technik erstellt „Fingerabdrücke“ verschiedener Materialien, die von einem neuronalen Netzwerk gelesen und analysiert werden können, um neue Informationen zu erhalten, zu denen Wissenschaftler zuvor keinen Zugang hatten. Ein neuronales Netzwerk ist ein Computermodell, das ähnlich wie das menschliche Gehirn Entscheidungen trifft.

In einer neuen Studie unter der Leitung von Forschern der Advanced Photon Source (APS) und des Center for Nanoscale Materials (CNM) am Argonne National Laboratory des US-Energieministeriums (DOE) kombinierten Wissenschaftler XPCS mit einem unbeaufsichtigten maschinellen Lernalgorithmus, einer Form von neuronales Netzwerk, das keine spezielle Schulung erfordert. Der Algorithmus lernt selbst, verborgene Muster in Anordnungen von Röntgenstrahlen zu erkennen, die von einem Kolloid, einer Gruppe von in einer Lösung suspendierten Partikeln, gestreut werden. APS und CNM sind Benutzereinrichtungen des DOE Office of Science.

Ein auf der Studie basierender Artikel erscheint in Naturkommunikation.

„Wir verstehen, wie sich Materialien im Laufe der Zeit bewegen und verändern, indem wir Röntgenstreuungsdaten sammeln“, sagte James (Jay) Horwath, Postdoktorand in Argonne und Erstautor der Studie.

Diese Muster sind zu komplex, als dass Wissenschaftler sie ohne die Hilfe von KI erkennen könnten.

„Wenn wir den Röntgenstrahl projizieren, sind die Muster so vielfältig und komplex, dass es selbst für Experten schwierig wird, ihre Bedeutung zu verstehen“, sagte Horwath.

Damit Forscher besser verstehen, was sie untersuchen, müssen sie alle Daten in Fingerabdrücken verdichten, die nur die wesentlichsten Informationen über die Probe enthalten.

„Man kann es sich so vorstellen, als hätte man das Genom des Materials; Es enthält alle Informationen, die zur Rekonstruktion des gesamten Bildes erforderlich sind“, sagte Horwath.

Das Projekt heißt Artificial Intelligence for Non-Equilibrium Relaxation Dynamics, kurz AI-NERD. Fingerabdrücke werden mit einer Technik namens Autoencoder erstellt. Ein Autoencoder ist eine Art neuronales Netzwerk, das die ursprünglichen Bilddaten in einen Fingerabdruck umwandelt (von Wissenschaftlern als latente Darstellung bezeichnet) und außerdem einen Decodierungsalgorithmus enthält, der für den Übergang von der latenten Darstellung zum vollständigen Bild verwendet wird.

Ziel der Forscher war es, eine Fingerabdruckkarte des Materials zu erstellen und Fingerabdrücke mit ähnlichen Eigenschaften in Nachbarschaften zu gruppieren. Durch die ganzheitliche Untersuchung der Eigenschaften verschiedener Fingerabdruckviertel auf der Karte konnten die Forscher besser verstehen, wie die Materialien strukturiert waren und wie sie sich im Laufe der Zeit unter Stress und Entspannung veränderten.

Einfach ausgedrückt verfügt die KI über gute allgemeine Mustererkennungsfähigkeiten, die es ihr ermöglichen, verschiedene Röntgenbilder effektiv zu kategorisieren und auf der Karte zu sortieren.

„Das Ziel der KI besteht einfach darin, die Streumuster wie gewöhnliche Bilder oder Fotos zu behandeln und sie zu assimilieren, um zu bestimmen, was die sich wiederholenden Muster sind“, sagte Horwath. „KI ist Experte für Mustererkennung. »

Der Einsatz von KI zum Verständnis von Rundfunkdaten wird mit der Einführung von APS besonders wichtig sein. Die modernisierte Anlage wird Röntgenstrahlen erzeugen, die 500-mal heller sind als das ursprüngliche APS.

„Die Daten, die wir vom aktualisierten APS erhalten, benötigen die Leistung der KI, um sie zu sortieren“, sagte Horwath.

Die CNM Theory Group arbeitete mit der Computational Group in der Röntgenwissenschaftsabteilung von Argonne zusammen, um molekulare Simulationen der von XPCS demonstrierten Polymerdynamik durchzuführen und in Zukunft synthetisch Daten für die Bildung von KI-Workflows wie AI-NERD zu generieren.

Die Autoren der Studie sind James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan und Mathew Cherukara aus Argonne. Chen und He haben eine gemeinsame Anstellung an der University of Chicago und Sankaranaryanan hat eine gemeinsame Anstellung an der University of Illinois in Chicago.