L'analisi efficiente dei dati di diffrazione dei raggi X (XRD) svolge un ruolo cruciale nella scoperta di nuovi materiali, ad esempio per i sistemi energetici del futuro. Viene utilizzato per analizzare le strutture cristalline di nuovi materiali al fine di scoprire, per quali applicazioni potrebbero essere adatti. Le misurazioni XRD sono già state notevolmente accelerate negli ultimi anni attraverso l'automazione e forniscono grandi quantità di dati durante la misurazione delle librerie di materiali. "Però, Le tecniche di analisi XRD sono ancora in gran parte manuali, richiede tempo, soggetto a errori e non scalabile, " afferma Alfred Ludwig. "Al fine di scoprire e ottimizzare nuovi materiali più velocemente in futuro utilizzando esperimenti autonomi ad alto rendimento, servono nuovi metodi».

In una nuova pubblicazione in Scienze computazionali della natura , un team guidato dal Dr. Phillip M. Maffettone (attualmente al National Synchrotron Light Source II di Upton, USA) e il Professor Andrew Cooper del Dipartimento di Chimica e Fabbrica di Innovazione dei Materiali dell'Università di Liverpool, e Lars Banko e il professor Alfred Ludwig della Cattedra di Materials Discovery and Interfaces e Yury Lysogorskiy del Centro interdisciplinare per la simulazione dei materiali avanzati mostrano come l'intelligenza artificiale può essere utilizzata per rendere l'analisi dei dati XRD più rapida e accurata. La soluzione è un agente AI chiamato Crystallography Companion Agent (XCA), che collabora con gli scienziati. XCA può eseguire identificazioni di fase autonome dai dati XRD mentre viene misurato. L'agente è adatto sia per sistemi di materiali organici che inorganici. Ciò è reso possibile dalla simulazione su larga scala di dati di diffrazione dei raggi X fisicamente corretti utilizzati per addestrare l'algoritmo.

Viene simulata la discussione di esperti

Inoltre, una caratteristica unica dell'agente che il team ha adattato per il compito attuale è che supera l'eccessiva sicurezza delle reti neuronali tradizionali. Tali reti prendono una decisione finale anche se i dati non supportano una conclusione definitiva, mentre uno scienziato comunicherebbe la propria incertezza e discuterebbe i risultati con altri ricercatori. "Questo processo decisionale nel gruppo è simulato da un insieme di reti neurali, simile a un voto tra esperti, " spiega Lars Banko. In XCA, un insieme di reti neurali costituisce il gruppo di esperti, per così dire, che presenta una raccomandazione ai ricercatori. "Questo è realizzato senza manuale, dati etichettati dall'uomo ed è robusto per molte fonti di complessità sperimentale, "dice Banko.

XCA può anche essere esteso ad altre forme di caratterizzazione come la spettroscopia. "Completando i recenti progressi nell'automazione e nella sperimentazione autonoma, questo sviluppo costituisce un passo importante per accelerare la scoperta di nuovi materiali, " conclude Alfred Ludwig.