Gli scienziati dell’Università di Rochester affermano che il deep learning può potenziare una tecnica che è già lo standard di riferimento per la caratterizzazione di nuovi materiali. In un npj Computational Materials articolo, il team interdisciplinare descrive i modelli sviluppati per sfruttare al meglio le enormi quantità di dati prodotti dagli esperimenti di diffrazione dei raggi X.
Durante gli esperimenti di diffrazione dei raggi X, un fascio di raggi X colpisce un campione, producendo immagini diffratte che contengono importanti informazioni sulla struttura e sulle proprietà del materiale. Il responsabile del progetto Niaz Abdolrahim, professore associato presso il Dipartimento di ingegneria meccanica e scienziato presso il Laboratorio per l'energia laser (LLE), afferma che i metodi convenzionali di analisi di queste immagini possono essere controversi, richiedono molto tempo e spesso inefficaci.
"C'è molta scienza e fisica dei materiali nascosta in ognuna di queste immagini e terabyte di dati vengono prodotti ogni giorno in strutture e laboratori in tutto il mondo", afferma Abdolrahim. "Lo sviluppo di un buon modello per analizzare questi dati può davvero aiutare ad accelerare l'innovazione dei materiali, comprendere i materiali in condizioni estreme e sviluppare materiali per diverse applicazioni tecnologiche."
Lo studio, condotto dal dottorato in scienza dei materiali. lo studente Jerardo Salgado, è particolarmente promettente per esperimenti ad alta densità di energia come quelli condotti al LLE dai ricercatori del Center for Matter at Atomic Pressures. Esaminando il momento preciso in cui i materiali in condizioni estreme cambiano fase, gli scienziati possono scoprire modi per creare nuovi materiali e conoscere la formazione di stelle e pianeti.
Abdolrahim afferma che il progetto migliora i precedenti tentativi di sviluppare modelli di apprendimento automatico per l’analisi della diffrazione dei raggi X che sono stati addestrati e valutati principalmente con dati sintetici. Abdolrahim, il professore associato Chenliang Xu del Dipartimento di informatica e i loro studenti hanno incorporato dati del mondo reale provenienti da esperimenti con materiali inorganici per addestrare i loro modelli di apprendimento profondo.
Secondo Abdolrahim, è necessario che siano resi pubblici più dati sperimentali sull’analisi della diffrazione dei raggi X per aiutare a perfezionare i modelli. Afferma che il team sta lavorando alla creazione di piattaforme per consentire ad altri di condividere dati che possano aiutare ad addestrare e valutare il sistema, rendendolo ancora più efficace.
Nota di correzione (25/12/2023):il secondo paragrafo è stato aggiornato per motivi di precisione.
Ulteriori informazioni: Jerardo E. Salgado et al, Classificazione automatizzata di grandi dati di diffrazione di raggi X utilizzando modelli di deep learning, npj Computational Materials (2023). DOI:10.1038/s41524-023-01164-8
Fornito dall'Università di Rochester
