阿贡国家实验室的研究人员利用 X 射线光子相关光谱学和人工智能开发出一种分析材料的新技术。这种方法能生成材料的详细"指纹"，通过人工智能的解读，揭示材料动力学的新信息。这种方法被称为 AI-NERD，利用无监督机器学习来识别和聚类这些"指纹"，从而加深对不同条件下材料行为的理解。
AI-NERD 模型通过学习为每个 XPCS 数据样本生成独特的指纹。通过绘制大型实验数据集的指纹图谱，可以识别趋势和重复模式，从而帮助我们了解材料是如何演变的。资料来源：阿贡国家实验室
与人一样，材料也会随着时间的推移而变化。它们在受压和放松时也会表现出不同的行为。希望测量材料变化动态的科学家们开发了一种新技术，该技术利用了 X 射线光子相关光谱（XPCS）、人工智能（AI）和机器学习。
利用人工智能创新材料识别
这种技术可以创建不同材料的"指纹"，神经网络可以读取和分析这些"指纹"，从而获得科学家以前无法获得的新信息。神经网络是一种计算机模型，其决策方式与人脑类似。
在美国能源部（DOE）阿贡国家实验室先进光子源（APS）和纳米材料中心（CNM）研究人员的一项新研究中，科学家们将XPCS与一种无监督机器学习算法（一种无需专家培训的神经网络）配对使用。该算法可以自学识别胶体（悬浮在溶液中的一组粒子）散射的X射线排列中隐藏的模式。APS 和 CNM 是能源部科学办公室的用户设施。
X 射线散射数据的复杂性
阿贡博士后研究员詹姆斯-霍沃斯（James (Jay) Horwath）是这项研究的第一作者，他说："我们了解材料如何随时间移动和变化的方法就是收集 X 射线散射数据。"
这些图案过于复杂，如果没有人工智能的帮助，科学家们根本无法发现。霍沃斯说："在我们照射X 射线光束时，这些图案是如此多样和复杂，以至于即使是专家也很难理解其中任何图案的含义。"
为了让研究人员更好地了解他们正在研究的东西，他们必须将所有数据浓缩成指纹，这些指纹只携带有关样本的最基本信息。霍沃斯说："你可以把它想象成材料的基因组，它包含了重建全貌所需的所有信息。"
AI-NERD：绘制材料指纹
该项目名为"非平衡松弛动力学人工智能"（AI-NERD）。指纹是通过一种名为自动编码器的技术创建的。自动编码器是一种神经网络，它能将原始图像数据转换成指纹（科学家称之为潜在表示），其中还包括一种解码器算法，用于从潜在表示返回到完整图像。
研究人员的目标是尝试绘制材料指纹图谱，将具有相似特征的指纹聚集成邻域。通过全面观察地图上各个指纹邻域的特征，研究人员能够更好地了解材料的结构，以及材料在受力和松弛过程中是如何随时间演变的。
简单地说，人工智能具有良好的一般模式识别能力，因此能够有效地将不同的 X 射线图像分类，并将它们整理到地图中。"人工智能的目标只是把散射模式当作常规图像或图片来处理，并消化它们，找出哪些是重复模式，"霍沃斯说。"人工智能是模式识别专家"。
随着升级版 APS 的上线，使用人工智能来理解散射数据将变得尤为重要。改进后的设施将产生比原来的 APS 亮 500 倍的 X 射线束。Horwath说："我们从升级版APS获得的数据需要人工智能的力量来进行分类。
模拟材料动力学的合作努力
CNM 的理论小组与阿贡 X 射线科学部门的计算小组合作，对 XPCS 所展示的聚合物动力学进行分子模拟，并为 AI-NERD 等人工智能工作流程的训练合成数据。
根据这项研究撰写的论文于 7 月 15 日发表在《自然通讯》上。
编译自/ScitechDaily