Cientistas da Universidade de Rochester dizem que o aprendizado profundo pode turbinar uma técnica que já é o padrão ouro para caracterizar novos materiais. Em um Materiais Computacionais npj No artigo, a equipe interdisciplinar descreve modelos que desenvolveram para aproveitar melhor as enormes quantidades de dados que os experimentos de difração de raios X produzem.



Durante experimentos de difração de raios X, um feixe de raios X brilha sobre uma amostra, produzindo imagens difratadas que contêm informações importantes sobre a estrutura e propriedades do material. O líder do projeto, Niaz Abdolrahim, professor associado do Departamento de Engenharia Mecânica e cientista do Laboratório de Energia Laser (LLE), diz que os métodos convencionais de análise dessas imagens podem ser controversos, demorados e muitas vezes ineficazes.

“Há muita ciência dos materiais e física escondida em cada uma destas imagens e terabytes de dados são produzidos todos os dias em instalações e laboratórios em todo o mundo”, diz Abdolrahim. "Desenvolver um bom modelo para analisar esses dados pode realmente ajudar a acelerar a inovação de materiais, compreender os materiais em condições extremas e desenvolver materiais para diferentes aplicações tecnológicas."

O estudo, liderado pelo Ph.D. em ciência dos materiais. o estudante Jerardo Salgado é particularmente promissor para experimentos de alta densidade de energia, como os conduzidos no LLE por pesquisadores do Centro de Matéria em Pressões Atômicas. Ao examinar o momento preciso em que os materiais sob condições extremas mudam de fase, os cientistas podem descobrir formas de criar novos materiais e aprender sobre a formação de estrelas e planetas.

Abdolrahim diz que o projeto melhora tentativas anteriores de desenvolver modelos de aprendizado de máquina para análise de difração de raios X que foram treinados e avaliados principalmente com dados sintéticos. Abdolrahim, professor associado Chenliang Xu do Departamento de Ciência da Computação, e seus alunos incorporaram dados do mundo real de experimentos com materiais inorgânicos para treinar seus modelos de aprendizagem profunda.

Mais dados experimentais de análise de difração de raios X precisam estar disponíveis publicamente para ajudar a refinar os modelos, de acordo com Abdolrahim. Ela diz que a equipe está trabalhando na criação de plataformas para que outras pessoas compartilhem dados que possam ajudar a treinar e avaliar o sistema, tornando-o ainda mais eficaz.

Nota de correção (25/12/2023):O segundo parágrafo foi atualizado para maior precisão.

Mais informações: Jerardo E. Salgado et al, Classificação automatizada de grandes dados de difração de raios X usando modelos de aprendizagem profunda, npj Computational Materials (2023). DOI:10.1038/s41524-023-01164-8
Fornecido pela Universidade de Rochester