Modern vetenskaplig forskning om material bygger i hög grad på att utforska deras beteende på atomär och molekylär skala. Av den anledningen, forskare är ständigt på jakt efter nya och förbättrade metoder för datainsamling och analys av material i dessa skalor.

Forskare vid Center for Nanoscale Materials (CNM), en U.S. Department of Energy (DOE) Office of Science User Facility belägen vid DOE:s Argonne National Laboratory, har uppfunnit en maskininlärningsbaserad algoritm för att kvantitativt karakterisera, i tre dimensioner, material med egenskaper så små som nanometer. Forskare kan tillämpa denna avgörande upptäckt på analysen av de flesta strukturella material av intresse för industrin.

"Vad som gör vår algoritm unik är att om du börjar med ett material för vilket du i princip ingenting vet om mikrostrukturen, Det kommer, inom sekunder, berätta för användaren den exakta mikrostrukturen i alla tre dimensioner, " sa Subramanian Sankaranarayanan, gruppledare för CNM-teori- och modelleringsgruppen och en docent vid avdelningen för maskin- och industriteknik vid University of Illinois i Chicago.

"Till exempel, med data analyserade av vårt 3D-verktyg, sa Henry Chan, CNM postdoktor och huvudförfattare till studien, "användare kan upptäcka fel och sprickor och potentiellt förutsäga livslängden under olika påfrestningar och påkänningar för alla typer av konstruktionsmaterial."

De flesta konstruktionsmaterial är polykristallina, vilket betyder att ett prov som används för analys kan innehålla miljontals korn. Storleken och fördelningen av dessa korn och hålrummen i ett prov är kritiska mikrostrukturella egenskaper som påverkar viktiga fysiska, mekanisk, optisk, kemiska och termiska egenskaper. Sådan kunskap är viktig, till exempel, till upptäckten av nya material med önskade egenskaper, som starkare och hårdare maskinkomponenter som håller längre.

Förr, forskare har visualiserat 3D-mikrostrukturella egenskaper i ett material genom att ta ögonblicksbilder i mikroskala av många 2D-skivor, bearbeta de enskilda skivorna, och sedan klistra ihop dem för att bilda en 3D-bild. Så är fallet, till exempel, med den datoriserade tomografiska skanningsrutinen som görs på sjukhus. Den processen, dock, är ineffektivt och leder till förlust av information. Forskare har därför letat efter bättre metoder för 3D-analyser.

"I början, " sa Mathew Cherukara, en biträdande forskare vid CNM, "vi tänkte designa en interceptbaserad algoritm för att söka efter alla gränser mellan de många kornen i provet tills vi kartlade hela mikrostrukturen i alla tre dimensioner, men som du kan föreställa dig, med miljontals spannmål, det är utomordentligt tidskrävande och ineffektivt."

"Det fina med vår maskininlärningsalgoritm är att den använder en oövervakad algoritm för att hantera gränsproblemet och producera mycket exakta resultat med hög effektivitet, ", sa Chan. "Tillsammans med nedsamplingstekniker, det tar bara sekunder att bearbeta stora 3D-prover och få exakt mikrostrukturell information som är robust och motståndskraftig mot brus."

Teamet testade framgångsrikt algoritmen genom att jämföra med data som erhållits från analyser av flera olika metaller (aluminium, järn, kisel och titan) och mjuka material (polymerer och miceller). Dessa data kom från tidigare publicerade experiment såväl som datorsimuleringar som kördes på två DOE Office of Science User Facilities, Argonne Leadership Computing Facility och National Energy Research Scientific Computing Center. I denna forskning användes också Laboratory Computing Resource Center i Argonne och Carbon Cluster i CNM.

"För forskare som använder vårt verktyg, den största fördelen är inte bara den imponerande 3D-bilden som genereras utan, mer viktigt, detaljerad karaktäriseringsdata, " sa Sankaranarayanan. "De kan till och med kvantitativt och visuellt spåra utvecklingen av en mikrostruktur när den förändras i realtid."

Maskininlärningsalgoritmen är inte begränsad till fasta ämnen. Teamet har utökat det till att omfatta karakterisering av fördelningen av molekylära kluster i vätskor med viktig energi, kemiska och biologiska tillämpningar.

Detta maskininlärningsverktyg bör visa sig vara särskilt effektivt för framtida realtidsanalys av data som erhållits från stora materialkarakteriseringsanläggningar, som den avancerade fotonkällan, en annan DOE Office of Science användaranläggning i Argonne, och andra synkrotroner runt om i världen.

Den här studien, med titeln "Maskininlärning möjliggjorde autonom mikrostrukturell karakterisering i 3D-prover, " framträdde i npj Beräkningsmaterial .