
阿贡国家实验室的研究人员开发出一种新技术,该技术采用X射线光子相关光谱法和人工智能来分析材料。
这种方法会生成材料的详细“指纹”,这些指纹会被人工智能解读,以揭示材料动力学的新信息。这种方法被称为AI-NERD,利用无监督机器学习来识别和聚类这些指纹,以增强对不同条件下材料行为的理解。
与人类相似,材料也会随着时间的推移而演变。它们在受压和松弛时的表现也各不相同。为了测量材料变化的动态性,科学家们开发了一种新技术,该技术结合了X射线光子相关光谱(XPCS)、人工智能(AI)和机器学习技术。
这项技术可以创建不同材料的“指纹”,这些指纹可以被神经网络读取和分析,以产生科学家以前无法获取的新信息。神经网络是一个计算机模型,它以类似于人脑的方式做出决策。
在由美国能源部(DOE)阿贡国家实验室的高级光子源(APS)和纳米尺度材料中心(CNM)的研究人员开展的一项新研究中,科学家们将X射线光子关联光谱法(XPCS)与一种无监督机器学习算法相结合,这是一种不需要专家训练的神经网络形式。这种算法能够自学识别胶体(一群悬浮在溶液中的粒子)散射的X射线排列中的隐藏模式。APS和CNM是DOE科学办公室的用户设施。
X射线散射数据的复杂性
该研究的第一作者、阿贡国家实验室博士后研究员詹姆斯(杰伊)·霍瓦特表示:“我们理解材料如何随时间移动和变化的方式,是收集X射线散射数据。”
如果没有人工智能的帮助,科学家很难检测到这些模式。“当我们发射X射线束时,模式会多样且复杂到即使是专家也难以理解它们的意思,”霍瓦思说。
为了让研究人员更好地了解他们研究的内容,他们需要将所有数据简化为只包含样本最本质信息的“指纹”。“你可以把它想象成拥有材料的基因组,它包含了重建整个画面的所有必要信息,”霍瓦思说道。
AI-NERD:映射材料指纹
这个项目名为“非平衡松弛动力学的人工智能”,或简称“AI-NERD”。这些指纹是通过一种名为自动编码器的技术创建的。自动编码器是一种神经网络,它将原始图像数据转换成指纹(科学家称之为潜在表示),并包含一个解码算法,该算法用于将潜在表示还原为完整图像。
研究人员的目标是尝试绘制出材料的指纹图谱,将具有相似特征的指纹聚类到相邻的区域中。通过全面观察地图上各个指纹区域的特点,研究人员能够更好地理解这些材料的结构,以及它们如何在应力和松弛状态下随时间演变。
简单来说,人工智能拥有良好的通用模式识别能力,能够高效地对不同的X射线图像进行分类,并将它们归入地图之中。霍瓦特表示:“人工智能的目标只是将散射模式视为常规图像或图片,并对它们进行解读,以找出哪些模式是重复的。”“人工智能是模式识别的专家。”
随着升级后的APS(先进光子源)投入使用,利用AI来理解散射数据将变得尤为重要。改进后的设备将产生比原始APS亮500倍的X射线束。霍瓦特说:“从升级后的APS获取的数据将需要AI的力量来进行分类整理。”
模拟材料动力学的协作努力
CNM 的理论组与 Argonne 的 X 射线科学部门的计算组合作,对 XPCS 展示的聚合物动力学进行了分子模拟,并在此基础上综合生成数据,以训练 AI-NERD 等 AI 工作流程。
基于该研究的一篇论文于7月15日发表在《自然通讯》上。
参考文献:“AI-NERD:通过基于AI的X射线光子相关光谱法阐明超越平衡的弛豫动力学”,作者为James P. Horwath、Xiao-Min Lin、Hongrui He、Qingteng Zhang、Eric M. Dufresne、Miaoqi Chu、Subramanian K.R.S. Sankaranarayanan、Wei Chen、Suresh Narayanan和Mathew J. Cherukara,发表于2024年7月15日,《自然通讯》。DOI:10.1038/s41467-024-49381-z