阿貢國家實驗室的研究人員利用X 射線光子相關光譜學和人工智慧開發出一種分析材料的新技術。這種方法能產生材料的詳細”指紋”，透過人工智慧的解讀，揭示材料動力學的新資訊。這種方法稱為AI-NERD，利用無監督機器學習來識別和聚類這些”指紋”，從而加深對不同條件下材料行為的理解。

AI-NERD 模型透過學習為每個XPCS 資料樣本產生獨特的指紋。透過繪製大型實驗資料集的指紋圖譜，可以識別趨勢和重複模式，從而幫助我們了解材料是如何演變的。資料來源：阿貢國家實驗室

與人一樣，材料也會隨著時間的推移而變化。它們在受壓和放鬆時也會表現出不同的行為。希望測量材料變化動態的科學家們開發了一種新技術，利用了X 射線光子相關光譜（XPCS）、人工智慧（AI）和機器學習。

利用人工智慧創新材料識別

這種技術可以創建不同材料的”指紋”，神經網路可以讀取和分析這些”指紋”，從而獲得科學家以前無法獲得的新資訊。神經網路是一種電腦模型，其決策方式與人腦類似。

在美國能源部（DOE）阿貢國家實驗室先進光子源（APS）和奈米材料中心（CNM）研究人員的一項新研究中，科學家將XPCS與一種無監督機器學習演算法（一種無需專家訓練的神經網路）配對使用。該演算法可以自學識別膠體（懸浮在溶液中的一組粒子）散射的X射線排列中隱藏的模式。 APS 和CNM 是能源部科學辦公室的使用者設施。

X 射線散射資料的複雜性

阿貢博士後研究員詹姆斯-霍沃斯（James (Jay) Horwath）是這項研究的第一作者，他說：”我們了解材料如何隨時間移動和變化的方法就是收集X 射線散射數據。”

這些圖案太複雜，如果沒有人工智慧的幫助，科學家根本無法發現。霍沃斯說：”當我們照射X 射線光束時，這些圖案是如此多樣和複雜，以至於即使是專家也很難理解其中任何圖案的含義。”

為了讓研究人員更了解他們正在研究的東西，他們必須將所有數據濃縮成指紋，這些指紋只攜帶有關樣本的最基本資訊。霍沃斯說：”你可以把它想像成材料的基因組，它包含了重建全貌所需的所有資訊。”

AI-NERD：繪製材料指紋

此專案名為”非平衡鬆弛動力學人工智慧”（AI-NERD）。指紋是透過一種名為自動編碼器的技術創建的。自動編碼器是一種神經網絡，它將原始影像資料轉換成指紋（科學家稱之為潛在表示），其中還包括一種解碼器演算法，用於從潛在表示返回完整影像。

研究人員的目標是嘗試繪製材料指紋圖譜，將具有相似特徵的指紋聚集成鄰域。透過全面觀察地圖上各個指紋鄰域的特徵，研究人員能夠更了解材料的結構，以及材料在受力和鬆弛過程中是如何隨時間演變的。

簡單地說，人工智慧具有良好的一般模式識別能力，因此能夠有效地將不同的X 光影像分類，並將它們整理到地圖中。 “人工智慧的目標只是把散射模式當作常規圖像或圖片來處理，並消化它們，找出哪些是重複模式，」霍沃斯說。 “人工智慧是模式識別專家”。

隨著升級版APS 的上線，使用人工智慧來理解散射資料將變得特別重要。改進後的設施將產生比原來的APS 亮500 倍的X 射線束。 Horwath說：”我們從升級版APS獲得的資料需要人工智慧的力量來進行分類。

模擬材料動力學的合作努力

CNM 的理論小組與阿貢X 射線科學部門的計算小組合作，對XPCS 所展示的聚合物動力學進行分子模擬，並為AI-NERD 等人工智慧工作流程的訓練合成數據。

根據這項研究撰寫的論文於7 月15 日發表在《自然通訊》上。

編譯自/ ScitechDaily