Acelerando a caracterização de materiais:o aprendizado de máquina encontra a espectroscopia de absorção de raios X
O cientista do LLNL, Tuan Anh Pham, e colegas usaram aprendizado de máquina e espectroscopia de raios X para prever a estrutura e a composição química de materiais heterogêneos. Crédito:Blaise Douros / LLNL Os cientistas do Laboratório Nacional Lawrence Livermore (LLNL) desenvolveram uma nova abordagem que pode prever rapidamente a estrutura e a composição química de materiais heterogêneos.
Em um novo estudo em Química de Materiais , os cientistas do LLNL Wonseok Jeong e Tuan Anh Pham desenvolveram uma abordagem que combina aprendizado de máquina com espectroscopia de absorção de raios X (XANES) para elucidar a especiação química de nitretos de carbono amorfos.
A pesquisa oferece novos insights profundos sobre a estrutura atômica local dos sistemas e, em um contexto mais amplo, representa um passo crítico no estabelecimento de uma estrutura automatizada para a rápida caracterização de materiais heterogêneos com estruturas complexas.
Desvendar a estrutura atômica de materiais heterogêneos, como resíduos carbonáceos produzidos pela detonação de altos explosivos, tem representado um desafio significativo para os cientistas de materiais. O processo é muitas vezes trabalhoso e, em muitos casos, envolve o uso de parâmetros empíricos.
Para enfrentar este grande desafio, a abordagem integrada da equipa começa com o desenvolvimento de potenciais de aprendizagem de máquina capazes de explorar eficientemente o vasto espaço de configuração dos nitretos de carbono amorfos como um sistema representativo. Este modelo baseado em rede neural permite a identificação de estruturas locais representativas dentro do material, fornecendo insights sobre como essas estruturas evoluem com composições químicas e densidade.
Ao acoplar esses potenciais de aprendizado de máquina com simulações atomísticas de alta fidelidade, os pesquisadores estabelecem correlações entre estruturas atômicas locais e assinaturas espectroscópicas. Esta correlação serve de base para a interpretação de dados experimentais do XANES, permitindo a extração de informações químicas cruciais de espectros complexos.
"Em nosso estudo, pretendemos enfrentar o desafio de longa data de caracterizar produtos de detonação e materiais desordenados em geral, integrando métodos computacionais com técnicas experimentais", disse Jeong, o primeiro autor do artigo.
"Nossa abordagem não apenas melhora nossa compreensão desses materiais, mas também estabelece as bases para estudos semelhantes em diferentes sistemas de materiais e métodos de caracterização. Por exemplo, a abordagem pode ser prontamente empregada para prever a especiação elementar para uma ampla gama de resíduos carbonáceos e fornecer insumos para melhorar os modelos de detonação", disse Pham, o investigador principal do projeto.
As descobertas do estudo representam um avanço significativo no campo da ciência dos materiais, oferecendo uma estrutura robusta para elucidar a especiação atômica de sistemas desordenados. Além disso, a versatilidade da abordagem significa que ela pode ser facilmente adaptada para investigar outras classes de materiais e sondas de caracterização experimental, abrindo caminho para a interpretação em tempo real de medições espectroscópicas.
O estudo envolve uma colaboração entre pesquisadores de diversas formações, destacando a natureza interdisciplinar da pesquisa do LLNL. À medida que os cientistas continuam a explorar a fronteira do design e caracterização de materiais, abordagens inovadoras como esta prometem desbloquear novas oportunidades para inovação tecnológica e descoberta científica, disse Jeong.
Outros coautores do artigo incluem Wenyu Sun, Marcos Calegari Andrade, Liwen Wan, Trevor Willey e Michael Nielsen.
