La moderna ricerca scientifica sui materiali si basa molto sull'esplorazione del loro comportamento su scala atomica e molecolare. Per tale motivo, gli scienziati sono costantemente alla ricerca di metodi nuovi e migliorati per la raccolta di dati e l'analisi dei materiali a tali scale.

Ricercatori del Center for Nanoscale Materials (CNM), un U.S. Department of Energy (DOE) Office of Science User Facility situato presso l'Argonne National Laboratory del DOE, hanno inventato un algoritmo basato sull'apprendimento automatico per la caratterizzazione quantitativa, in tre dimensioni, materiali con caratteristiche piccole quanto i nanometri. I ricercatori possono applicare questa scoperta fondamentale all'analisi della maggior parte dei materiali strutturali di interesse per l'industria.

"Ciò che rende unico il nostro algoritmo è che se inizi con un materiale di cui essenzialmente non sai nulla della microstruttura, lo farà, in pochi secondi, dire all'utente l'esatta microstruttura in tutte e tre le dimensioni, " disse il subramaniano Sankaranarayanan, capogruppo del gruppo di teoria e modellazione CNM e professore associato presso il Dipartimento di Ingegneria Meccanica e Industriale dell'Università dell'Illinois a Chicago.

"Per esempio, con i dati analizzati dal nostro strumento 3D, " disse Henry Chan, Ricercatore post-dottorato CNM e autore principale dello studio, "gli utenti possono rilevare guasti e crepe e potenzialmente prevedere la vita sotto diverse sollecitazioni e deformazioni per tutti i tipi di materiali strutturali".

La maggior parte dei materiali strutturali sono policristallini, il che significa che un campione utilizzato per scopi di analisi può contenere milioni di grani. La dimensione e la distribuzione di quei grani e dei vuoti all'interno di un campione sono caratteristiche microstrutturali critiche che influiscono su importanti fattori fisici, meccanico, ottico, proprietà chimiche e termiche. Tale conoscenza è importante, Per esempio, alla scoperta di nuovi materiali con proprietà desiderate, come componenti della macchina più forti e più duri che durano più a lungo.

Nel passato, gli scienziati hanno visualizzato le caratteristiche microstrutturali 3-D all'interno di un materiale scattando istantanee alla microscala di molte sezioni 2-D, lavorazione delle singole fette, e poi incollarli insieme per formare un'immagine 3D. Tale è il caso, Per esempio, con la routine di scansione della tomografia computerizzata eseguita negli ospedali. Quel processo, però, è inefficiente e porta alla perdita di informazioni. I ricercatori hanno quindi cercato metodi migliori per le analisi 3D.

"All'inizio, " disse Mathew Cherukara, un assistente scienziato al CNM, "abbiamo pensato di progettare un algoritmo basato sulle intercettazioni per cercare tutti i confini tra i numerosi grani nel campione fino a mappare l'intera microstruttura in tutte e tre le dimensioni, ma come puoi immaginare, con milioni di grani, che è straordinariamente dispendioso in termini di tempo e inefficiente."

"La bellezza del nostro algoritmo di apprendimento automatico è che utilizza un algoritmo non supervisionato per gestire il problema del confine e produrre risultati altamente accurati con un'elevata efficienza, " ha detto Chan. "Accoppiato con tecniche di down-sampling, bastano pochi secondi per elaborare campioni 3D di grandi dimensioni e ottenere informazioni microstrutturali precise, robuste e resistenti al rumore."

Il team ha testato con successo l'algoritmo confrontandolo con i dati ottenuti dalle analisi di diversi metalli (alluminio, ferro da stiro, silicio e titanio) e materiali morbidi (polimeri e micelle). Questi dati provengono da esperimenti pubblicati in precedenza e da simulazioni al computer eseguite presso due strutture per gli utenti dell'Office of Science del DOE, l'Argonne Leadership Computing Facility e il National Energy Research Scientific Computing Center. In questa ricerca sono stati utilizzati anche il Laboratory Computing Resource Center ad Argonne e il Carbon Cluster in CNM.

"Per i ricercatori che utilizzano il nostro strumento, il vantaggio principale non è solo l'impressionante immagine 3D generata ma, ma ancora più importante, i dati dettagliati di caratterizzazione, " ha detto Sankaranarayanan. "Possono anche monitorare quantitativamente e visivamente l'evoluzione di una microstruttura mentre cambia in tempo reale".

L'algoritmo di apprendimento automatico non è limitato ai solidi. Il team lo ha esteso per includere la caratterizzazione della distribuzione di cluster molecolari in fluidi con energia importante, applicazioni chimiche e biologiche.

Questo strumento di apprendimento automatico dovrebbe rivelarsi particolarmente efficace per la futura analisi in tempo reale dei dati ottenuti da grandi strutture di caratterizzazione dei materiali, come Advanced Photon Source, un altro DOE Office of Science User Facility ad Argonne, e altri sincrotroni in tutto il mondo.

Questo studio, intitolato "L'apprendimento automatico ha consentito la caratterizzazione microstrutturale autonoma in campioni 3D, " apparso in npj Materiali di calcolo .