Automatizarea analizei și proiectării materialelor prin învățare automată utilizând date de spectroscopie cu raze X
O echipă de cercetători condusă de profesorul Masato Kotsugi de la Universitatea din Tokyo a realizat un pas semnificativ în domeniul analizei materialelor printr-o metodă inovatoare bazată pe inteligență artificială (AI). Această metodă are scopul de a automatiza procesul complex de analiză a datelor provenite din spectroscopia de absorbție cu raze X (XAS), un instrument esențial care oferă informații detaliate despre compoziția, structura și caracteristicile funcționale ale materialelor.
Analiza prin spectroscopie cu raze X este comparabilă cu modul în care lumina albă se descompune într-un curcubeu atunci când trece printr-un prismă. Această tehnică furnizează un spectru de raze X de energii diferite, care acționează ca un amprente unică pentru fiecare material, ajutând cercetătorii să identifice elementele prezente și să înțeleagă aranjamentul atomic al acestora. Această informație despre „starea electronică” a materialelor este crucială pentru proiectarea rațională a materialelor, în special în cazul compuselor de bor, care au aplicații semnificative în semiconductori, dispozitive IoT și stocarea energiei.
De-a lungul anilor, analiza detaliată a variabilităților în datele spectrale a fost o provocare majoră pentru cercetători, necesitând expertiză extinsă și muncă manuală grea, în special atunci când este vorba de seturi mari de date. Subiectivitatea interpretării și lipsa datelor de referință anterioare au complicat și mai mult procesul. Totuși, echipa lui Kotsugi, incluzându-i pe Reika Hasegawa și Arpita Varadwaj, a dezvoltat o soluție bazată pe machine learning, care oferă o legătură clară și obiectivă între datele XAS și proprietățile fundamentale ale materialelor.
Potrivit profesorului Kotsugi, metodele AI bazate pe date, cum ar fi învățarea automată, pot fi instrumente extrem de eficiente în analizarea și interpretarea datelor de măsurare, furnizând perspective obiective. Studiul lor a fost publicat în revista Scientific Reports, demonstrând astfel validitatea acestei abordări inovatoare.
Echipa a generat date XAS pentru trei faze diferite de nitru de bor, fiecare având structuri atomice distincte, precum și pentru analoagele acestora cu defecte. Datele au fost obținute prin calcule teoretice bazate pe fizică fundamentală, fiind validate de date experimentale.
Pentru a analiza aceste date complexe, cercetătorii au aplicat tehnici de învățare automată care utilizează reducerea dimensionalității. Această metodă reduce datele complexe, cu multe variabile, la elementele sale fundamentale, reținând doar caracteristicile esențiale. În cazul XAS, unde un set de date poate conține mii de variabile, învățarea automată suspendă informațiile care reflectă cel mai bine stările electronice ale materialelor.
Printre cele patru metode de învățare automată testate se numără Analiza Componentelor Principale (PCA), Scaling Multidimensional (MDS), t-distributed Stochastic Neighbor Embedding (t-SNE) și Uniform Manifold Approximation and Projection (UMAP). Metoda UMAP s-a remarcat prin abilitatea sa de a clasifica datele spectrale complexe conform diferitelor structuri atomice și defecte, fiind capabilă să identifice nu doar tendințe globale, ci și să observe diferențe subtile între faze și tipuri de defecte.
Creând un cadru comparativ cu datele experimentale XAS, cercetătorii au observat că rezultatele obținute prin UMAP au corespuns strâns clasificărilor, demonstrând astfel robustetea acestei metode în fața zgomotului și a variațiilor introduse de condițiile experimentale. Prof. Kotsugi remarcă că „descoperirile noastre arată că UMAP poate fi un instrument valoros pentru identificarea rapidă, scalabilă și automatizată a materialelor, utilizând datele spectrale experimentale complexe.”
Această abordare bazată pe AI depășește metodele anterioare bazate pe similaritate statistică, având o precizie mai mare și având capacitatea de a descoperi variații semnificative în stările electronice. Prof. Kotsugi subliniază impactul studiului, afirmând că metoda demonstrată deschide noi posibilități pentru identificarea structurală autonomă și dezvoltarea de materiale noi bazate pe date.
În viitor, această abordare inovatoare va accelerare dezvoltarea de noi materiale, avansând domenii esențiale precum semiconductori, cataliză și stocarea energiei, contribuind astfel la construirea unei lumi mai sustenabile.
