I materiali cristallini sono costituiti da atomi, ioni o molecole disposti in una struttura ordinata tridimensionale. Sono ampiamente utilizzati per lo sviluppo di semiconduttori, prodotti farmaceutici, fotovoltaico e catalizzatori.
Il tipo di strutture che rientrano nella categoria dei materiali cristallini continua ad espandersi man mano che gli scienziati progettano nuovi materiali per affrontare le sfide emergenti relative allo stoccaggio dell'energia, alla cattura del carbonio e all'elettronica avanzata.
Tuttavia, lo sviluppo di tali materiali richiede modalità precise per identificarli. Attualmente, la diffrazione dei raggi X da polveri è ampiamente utilizzata per questo scopo. Identifica la struttura dei materiali cristallini esaminando i raggi X sparsi da un campione in polvere. Tuttavia, il compito di identificazione diventa piuttosto complesso quando si ha a che fare con campioni multifase contenenti diversi tipi di cristalli con strutture, orientamenti o composizioni distinti.
In questi casi, l’identificazione accurata delle varie fasi presenti nel campione si affida all’esperienza degli scienziati, rendendo il processo dispendioso in termini di tempo. Per accelerare questo processo, sono stati utilizzati metodi innovativi basati sui dati, come l'apprendimento automatico, per distinguere le singole fasi all'interno di campioni multifase.
Sebbene siano stati compiuti progressi sostanziali nell'utilizzarli per raccogliere informazioni sulle fasi note, l'identificazione delle fasi sconosciute nei campioni multifase rimane ancora una sfida.
Ora, tuttavia, i ricercatori hanno proposto un nuovo modello di "classificatore binario" di apprendimento automatico in grado di identificare la presenza di fasi icosaedriche di quasicristallo (i-QC), una sorta di solidi ordinati a lungo raggio che hanno autosimilarità nei loro schemi di diffrazione, da modelli di diffrazione di raggi X su polveri multifase.
Questo studio ha coinvolto la collaborazione tra l’Università delle Scienze di Tokyo (TUS), l’Accademia Nazionale di Difesa, l’Istituto Nazionale per la Scienza dei Materiali, l’Università di Tohoku e l’Istituto di Matematica Statistica. È stato condotto dal professore associato junior Tsunetomo Yamada della TUS, Giappone, ed è stato pubblicato su Advanced Science ufficiale il 14 novembre 2023.
"In tutto il mondo, i ricercatori hanno tentato di prevedere nuove sostanze utilizzando l'intelligenza artificiale e l'apprendimento automatico. Tuttavia, identificare se una sostanza desiderata viene prodotta richiede molto tempo e impegno da parte degli esperti umani. Pertanto, ci è venuta l'idea dell'utilizzo del deep learning per identificare nuove fasi," spiega il dottor Yamada.
Per sviluppare tale modello, i ricercatori hanno innanzitutto creato un "classificatore binario" utilizzando 80 tipi di reti neurali convoluzionali. Successivamente hanno addestrato il modello di classificazione utilizzando modelli sintetici di diffrazione di raggi X multifase, progettati come rappresentazioni dei modelli attesi associati alle fasi i-QC. Dopo la fase di addestramento, le prestazioni del modello sono state valutate utilizzando sia modelli sintetici che un database di modelli reali.
Abbastanza interessante, il modello ha raggiunto una precisione di previsione superiore al 92%. Ha inoltre identificato con successo una fase i-QC sconosciuta all'interno delle leghe multifase Al-Si-Ru quando utilizzata per lo screening di 440 modelli di diffrazione misurati da materiali sconosciuti in sei diversi sistemi di leghe. La presenza della fase i-QC sconosciuta è stata ulteriormente confermata analizzando la microstruttura e la composizione del materiale mediante microscopia elettronica a trasmissione.
In particolare, il metodo di deep learning proposto ha la capacità di identificare la fase i-QC anche quando non è il componente più importante della miscela. Inoltre, questo modello può essere utilizzato per l'identificazione di nuovi QC decagonali e dodecagonali e può essere esteso anche a vari tipi di altri materiali cristallini.
"Con il modello proposto, siamo stati in grado di rilevare fasi quasicristalline sconosciute presenti nei campioni multifase con elevata precisione. L'accuratezza di questo modello di deep learning indica quindi la possibilità di accelerare il processo di identificazione di fase dei campioni multifase", conclude il Dr. Yamada . Inoltre, il dottor Yamada e il suo team sono fiduciosi che questo modello porterà a una svolta nel campo della scienza dei materiali.
In sintesi, questo studio rappresenta un significativo passo avanti nell'identificazione di fasi completamente nuove nei quasicristalli comunemente presenti in materiali come silice mesoporosa, minerali, leghe e cristalli liquidi.
Ulteriori informazioni: Hirotaka Uryu et al, Il deep learning consente la rapida identificazione di un nuovo quasicristallo da modelli di diffrazione di polveri multifase, Scienza avanzata (2023). DOI:10.1002/advs.202304546
Informazioni sul giornale: Scienza avanzata
Fornito dall'Università delle Scienze di Tokyo
