Forskare från University of Rochester säger att djupinlärning kan ladda en teknik som redan är guldstandarden för att karakterisera nya material. I ett npj Computational Materials Det tvärvetenskapliga teamet beskriver modeller de utvecklat för att bättre utnyttja de enorma mängder data som röntgendiffraktionsexperiment producerar.

Under röntgendiffraktionsexperiment lyser en stråle av röntgenstrålar på ett prov, vilket ger diffrakterade bilder som innehåller viktig information om materialets struktur och egenskaper. Projektledare Niaz Abdolrahim, docent vid institutionen för maskinteknik och forskare vid Laboratory for Laser Energetics (LLE), säger att konventionella metoder för att analysera dessa bilder kan vara kontroversiella, tidskrävande och ofta ineffektiva.

"Det finns mycket materialvetenskap och fysik gömd i var och en av dessa bilder och terabyte av data produceras varje dag på anläggningar och laboratorier över hela världen", säger Abdolrahim. "Att utveckla en bra modell för att analysera dessa data kan verkligen hjälpa till att påskynda materialinnovation, förstå material under extrema förhållanden och utveckla material för olika tekniska tillämpningar."

Studien, ledd av materialvetenskap Ph.D. student Jerardo Salgado, har särskilt lovande för experiment med hög energidensitet som de som genomfördes vid LLE av forskare från Center for Matter at Atomic Pressures. Genom att undersöka det exakta ögonblicket när material under extrema förhållanden ändrar faser, kan forskare upptäcka sätt att skapa nya material och lära sig om bildandet av stjärnor och planeter.

Abdolrahim säger att projektet förbättrar tidigare försök att utveckla maskininlärningsmodeller för röntgendiffraktionsanalys som tränades och utvärderades främst med syntetiska data. Abdolrahim, docent Chenliang Xu från institutionen för datavetenskap, och deras studenter inkorporerade verkliga data från experiment med oorganiska material för att träna sina djupinlärningsmodeller.

Mer experimentella data för röntgendiffraktionsanalys måste vara offentligt tillgängliga för att hjälpa till att förfina modellerna, enligt Abdolrahim. Hon säger att teamet arbetar på att skapa plattformar för andra att dela data som kan hjälpa till att träna och utvärdera systemet, vilket gör det ännu mer effektivt.

Rättningsnotering (2023-12-25):Andra stycket har uppdaterats för noggrannhet.

Mer information: Jerardo E. Salgado et al, Automatiserad klassificering av stora röntgendiffraktionsdata med hjälp av djupinlärningsmodeller, npj Computational Materials (2023). DOI:10.1038/s41524-023-01164-8

Tillhandahålls av University of Rochester