Effektiv analys av röntgendiffraktionsdata (XRD) spelar en avgörande roll för upptäckten av nya material, till exempel för framtidens energisystem. Det används för att analysera kristallstrukturerna i nya material för att ta reda på, för vilka applikationer de kan vara lämpliga. XRD -mätningar har redan accelererats avsevärt under de senaste åren genom automatisering och ger stora mängder data vid mätning av materialbibliotek. "Dock, XRD -analystekniker är fortfarande till stor del manuella, tidskrävande, felbenägen och inte skalbar, "säger Alfred Ludwig." För att upptäcka och optimera nya material snabbare i framtiden med hjälp av autonoma experiment med hög genomströmning, nya metoder krävs. "

I en ny publikation i Nature Computational Science , ett team som leds av Dr. Phillip M. Maffettone (för närvarande vid National Synchrotron Light Source II i Upton, USA) och professor Andrew Cooper från Institutionen för kemi och materialinnovationsfabrik vid University of Liverpool, och Lars Banko och professor Alfred Ludwig från Chair of Materials Discovery and Interfaces och Yury Lysogorskiy från Interdisciplinary Center for Advanced Materials Simulation visar hur artificiell intelligens kan användas för att göra XRD -dataanalys snabbare och mer exakt. Lösningen är ett AI -medel som kallas Crystallography Companion Agent (XCA), som samarbetar med forskarna. XCA kan utföra autonoma fasidentifieringar från XRD -data medan den mäts. Medlet är lämpligt för både organiska och oorganiska materialsystem. Detta möjliggörs av storskalig simulering av fysiskt korrekt röntgendiffraktionsdata som används för att träna algoritmen.

Expertdiskussion simuleras

Vad är mer, en unik egenskap hos agenten som teamet har anpassat för den aktuella uppgiften är att den övervinner överförtroendet hos traditionella neuronala nätverk. Sådana nätverk fattar ett slutgiltigt beslut även om data inte stöder en bestämd slutsats, medan en forskare skulle kommunicera sin osäkerhet och diskutera resultat med andra forskare. "Denna beslutsprocess i gruppen simuleras av en ensemble av neurala nätverk, liknande en omröstning bland experter, "förklarar Lars Banko. I XCA, en ensemble av neurala nätverk bildar expertpanelen, så att säga, som lämnar en rekommendation till forskarna. "Detta uppnås utan manuell, mänskligt märkta data och är robust mot många källor till experimentell komplexitet, säger Banko.

XCA kan också utökas till andra former av karakterisering, såsom spektroskopi. "Genom att komplettera de senaste framstegen inom automation och autonoma experiment, denna utveckling utgör ett viktigt steg för att påskynda upptäckten av nya material, "avslutar Alfred Ludwig.