和人类一样，材料也会随着时间而进化。它们在受到压力和放松时也会表现出不同的行为。科学家们希望测量材料变化的动态，他们开发了一种新技术，利用了X射线光子相关光谱(XPCS)、人工智能(AI)和机器学习。

这项技术可以创建不同材料的“指纹”，这些指纹可以通过神经网络读取和分析，从而产生科学家以前无法获得的新信息。神经网络是一种以类似于人脑的方式做出决策的计算机模型。

在美国能源部(DOE)阿贡国家实验室先进光子源(APS)和纳米材料中心(CNM)的研究人员开展的一项新研究中，科学家们将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。该算法可以自学识别胶体(悬浮在溶液中的一组粒子)散射的X射线排列中隐藏的模式。APS和CNM是美国能源部科学办公室的用户设施。

这项研究的第一作者、阿贡国家实验室博士后研究员詹姆斯(杰伊)霍沃斯(James(Jay)Horwath)说：“我们通过收集X射线散射数据来了解材料如何随时间移动和变化。”

这些模式过于复杂，如果没有人工智能的帮助，科学家无法检测到。

霍沃斯说：“当我们发射X射线时，看到的图案非常多样且复杂，甚至专家也很难理解它们的含义。”

为了让研究人员更好地理解他们正在研究的内容，他们必须将所有数据浓缩为仅包含样本最基本信息的指纹。

霍沃斯说：“你可以把它想象成拥有物质的基因组;它拥有重建整个图景所需的所有信息。”

该项目名为“非平衡松弛动力学人工智能”，简称AI-NERD。指纹是使用一种称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为指纹(科学家称之为潜在表示)，并且还包括一种用于从潜在表示返回完整图像的解码器算法。

研究人员的目标是尝试创建材料指纹图谱，将具有相似特征的指纹聚类到邻域中。通过整体观察图谱上各个指纹邻域的特征，研究人员能够更好地了解材料的结构以及它们在受压和放松时如何随时间演变。

AI，简单来说，就是具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，并整理到地图中。

Horwath表示：“人工智能的目标只是将散射图案视为常规图像或图片，并对其进行消化，以找出重复的图案是什么。人工智能是模式识别专家。”

随着升级后的APS投入使用，使用AI来理解散射数据将变得尤为重要。升级后的设施将产生比原APS亮500倍的X射线束。

霍沃斯说：“我们从升级后的APS获得的数据需要借助人工智能的力量进行筛选。”

CNM的理论小组与阿贡国家实验室X射线科学部门的计算小组合作，对XPCS展示的聚合物动力学进行分子模拟，并在未来综合生成数据以训练AI-NERD等AI工作流程。

这项研究的作者包括阿贡国家实验室的James(Jay)Horwath、Xiao-MinLin、HongruiHe、QingtengZhang、EricDufresne、MiaoqiChu、SubramanianSankaranaryanan、WeiChen、SureshNarayanan和MathewCherukara。Chen和He均在芝加哥大学任职，Sankaranaryanan在伊利诺伊大学芝加哥分校任职。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：