Kristallina material är uppbyggda av atomer, joner eller molekyler ordnade i en ordnad, tredimensionell struktur. De används ofta för utveckling av halvledare, läkemedel, solceller och katalysatorer.

Den typ av strukturer som faller inom kategorin kristallina material fortsätter att expandera när forskare designar nya material för att möta nya utmaningar som rör energilagring, kolavskiljning och avancerad elektronik.

Utvecklingen av sådana material kräver dock exakta sätt att identifiera dem. För närvarande används pulverröntgendiffraktion i stor utsträckning för detta ändamål. Den identifierar strukturen hos kristallina material genom att undersöka spridda röntgenstrålar från ett pulveriserat prov. Uppgiften att identifiera blir dock ganska komplex när man hanterar flerfasprov som innehåller olika typer av kristaller med distinkta strukturer, orienteringar eller sammansättningar.

I sådana fall är den exakta identifieringen av de olika faserna som finns i provet beroende av forskarnas expertis, vilket gör processen tidskrävande. För att påskynda denna process har innovativa datadrivna metoder, såsom maskininlärning, använts för att särskilja enskilda faser inom flerfasprov.

Även om betydande framsteg har gjorts när det gäller att använda dem för att samla in information om kända faser, är identifieringen av okända faser i flerfasprov fortfarande en utmaning.

Men nu har forskare föreslagit en ny maskininlärningsmodell för "binär klassificerare" som kan identifiera förekomsten av icosahedriska kvasikristallfaser (i-QC) – ett slags långdistansordnade fasta ämnen som har självlikhet i sina diffraktionsmönster – från flerfas pulverröntgendiffraktionsmönster.

Denna studie involverade samarbete mellan Tokyo University of Science (TUS), National Defense Academy, National Institute for Materials Science, Tohoku University och Institute of Statistical Mathematics. Den leddes av juniordocent Tsunetomo Yamada från TUS, Japan, och publicerades i Advanced Science tidskrift den 14 november 2023.

"Över hela världen har forskare gjort försök att förutsäga nya ämnen med hjälp av artificiell intelligens och maskininlärning. Men att identifiera om ett önskat ämne produceras tar upp avsevärd tid och ansträngning från mänskliga experters sida. Därför kom vi på idén att använda djupinlärning för att identifiera nya faser", förklarar Dr. Yamada.

För att utveckla den nämnda modellen skapade forskarna först en "binär klassificerare" med hjälp av 80 typer av konvolutionella neurala nätverk. Därefter tränade de klassificeringsmodellen med hjälp av syntetiska flerfasiga röntgendiffraktionsmönster, som designades som representationer av de förväntade mönstren associerade med i-QC-faser. Efter träningsfasen utvärderades modellens prestanda med både syntetiska mönster och en databas med faktiska mönster.

Ganska intressant nog uppnådde modellen en prediktionsnoggrannhet på över 92 %. Den identifierade också framgångsrikt en okänd i-QC-fas inom flerfas Al-Si-Ru-legeringar när den användes för att screena 440 uppmätta diffraktionsmönster från okända material i sex olika legeringssystem. Närvaron av den okända i-QC-fasen bekräftades ytterligare genom att analysera materialets mikrostruktur och sammansättning med hjälp av transmissionselektronmikroskopi.

Noterbart är att den föreslagna metoden för djupinlärning har förmågan att identifiera i-QC-fasen även när den inte är den mest framträdande komponenten i blandningen. Dessutom kan denna modell användas för identifiering av nya dekagonala och dodekagonala QC:er och kan även utökas till olika typer av andra kristallina material.

"Med den föreslagna modellen kunde vi upptäcka okända kvasikristallina faser som finns i flerfasprov med hög noggrannhet. Noggrannheten i denna djupinlärningsmodell pekar alltså på möjligheten att påskynda processen för fasidentifiering av flerfasprov", avslutar Dr Yamada. . Dessutom är Dr. Yamada och hans team övertygade om att denna modell kommer att leda till ett genombrott inom materialvetenskap.

Sammanfattningsvis är denna studie ett viktigt steg framåt i identifieringen av helt nya faser i kvasikristaller som vanligtvis finns i material som mesoporös kiseldioxid, mineraler, legeringar och flytande kristaller.

Mer information: Hirotaka Uryu et al, Deep Learning möjliggör snabb identifiering av en ny kvasikristall från flerfasiga pulverdiffraktionsmönster, Advanced Science (2023). DOI:10.1002/advs.202304546

Journalinformation: Avancerad vetenskap

Tillhandahålls av Tokyo University of Science