A análise eficiente de dados de difração de raios-X (XRD) desempenha um papel crucial na descoberta de novos materiais, por exemplo, para os sistemas de energia do futuro. É usado para analisar as estruturas cristalinas de novos materiais, a fim de descobrir, para quais aplicativos eles podem ser adequados. As medições de XRD já foram significativamente aceleradas nos últimos anos por meio da automação e fornecem grandes quantidades de dados ao medir bibliotecas de materiais. "Contudo, As técnicas de análise de XRD ainda são amplamente manuais, demorado, sujeito a erros e não escalonável, "diz Alfred Ludwig." Para descobrir e otimizar novos materiais mais rapidamente no futuro usando experimentos autônomos de alto rendimento, novos métodos são necessários. "

Em uma nova publicação em Nature Computational Science , uma equipe chefiada pelo Dr. Phillip M. Maffettone (atualmente na National Synchrotron Light Source II em Upton, EUA) e o Professor Andrew Cooper do Departamento de Química e Fábrica de Inovação de Materiais da Universidade de Liverpool, e Lars Banko e Professor Alfred Ludwig da cadeira de descoberta de materiais e interfaces e Yury Lysogorskiy do Centro Interdisciplinar de Simulação de Materiais Avançados mostra como a inteligência artificial pode ser usada para tornar a análise de dados XRD mais rápida e precisa. A solução é um agente AI chamado Crystallography Companion Agent (XCA), que colabora com os cientistas. O XCA pode realizar identificações de fase autônomas a partir de dados de XRD enquanto são medidos. O agente é adequado para sistemas de materiais orgânicos e inorgânicos. Isso é habilitado pela simulação em grande escala de dados de difração de raios X fisicamente corretos que são usados ​​para treinar o algoritmo.

A discussão de especialistas é simulada

O que é mais, uma característica única do agente que a equipe adaptou para a tarefa atual é que ele supera o excesso de confiança das redes neuronais tradicionais. Essas redes tomam uma decisão final, mesmo que os dados não suportem uma conclusão definitiva, enquanto um cientista comunicaria sua incerteza e discutiria os resultados com outros pesquisadores. “Esse processo de tomada de decisão no grupo é simulado por um conjunto de redes neurais, semelhante a uma votação entre especialistas, "explica Lars Banko. No XCA, um conjunto de redes neurais forma o painel de especialistas, por assim dizer, que envia uma recomendação aos pesquisadores. "Isso é feito sem manual, dados marcados por humanos e são robustos para muitas fontes de complexidade experimental, "diz Banko.

O XCA também pode ser expandido para outras formas de caracterização, como espectroscopia. "Complementando os avanços recentes em automação e experimentação autônoma, este desenvolvimento constitui um passo importante para acelerar a descoberta de novos materiais, "conclui Alfred Ludwig.