El análisis eficiente de los datos de difracción de rayos X (XRD) juega un papel crucial en el descubrimiento de nuevos materiales, por ejemplo, para los sistemas energéticos del futuro. Se utiliza para analizar las estructuras cristalinas de nuevos materiales con el fin de averiguar, para qué aplicaciones pueden ser adecuados. Las mediciones de XRD ya se han acelerado significativamente en los últimos años a través de la automatización y proporcionan grandes cantidades de datos al medir bibliotecas de materiales. "Sin embargo, Las técnicas de análisis de XRD siguen siendo en gran parte manuales, pérdida de tiempo, propenso a errores y no escalable, "dice Alfred Ludwig." Para descubrir y optimizar nuevos materiales más rápidamente en el futuro mediante experimentos autónomos de alto rendimiento, se requieren nuevos métodos ".

En una nueva publicación en Ciencia Computacional de la Naturaleza , un equipo encabezado por el Dr. Phillip M. Maffettone (actualmente en National Synchrotron Light Source II en Upton, EE.UU.) y el profesor Andrew Cooper del Departamento de Química y Fábrica de Innovación de Materiales de la Universidad de Liverpool, y Lars Banko y el profesor Alfred Ludwig de la Cátedra de Descubrimiento de Materiales e Interfaces y Yury Lysogorskiy del Centro Interdisciplinario de Simulación Avanzada de Materiales muestra cómo se puede utilizar la inteligencia artificial para hacer que el análisis de datos XRD sea más rápido y preciso. La solución es un agente de IA llamado Crystallography Companion Agent (XCA), que colabora con los científicos. XCA puede realizar identificaciones de fase autónomas a partir de datos XRD mientras se mide. El agente es adecuado para sistemas de materiales orgánicos e inorgánicos. Esto es posible gracias a la simulación a gran escala de datos de difracción de rayos X físicamente correctos que se utiliza para entrenar el algoritmo.

Se simula la discusión de expertos

Qué es más, Una característica única del agente que el equipo ha adaptado para la tarea actual es que supera el exceso de confianza de las redes neuronales tradicionales. Dichas redes toman una decisión final incluso si los datos no respaldan una conclusión definitiva, mientras que un científico comunicaría su incertidumbre y discutiría los resultados con otros investigadores. "Este proceso de toma de decisiones en el grupo es simulado por un conjunto de redes neuronales, similar a una votación entre expertos, "explica Lars Banko. En XCA, un conjunto de redes neuronales forma el panel de expertos, por así decirlo, que presenta una recomendación a los investigadores. "Esto se logra sin manual, datos etiquetados por humanos y es robusto para muchas fuentes de complejidad experimental, "dice Banko.

XCA también se puede expandir a otras formas de caracterización como la espectroscopia. "Al complementar los avances recientes en automatización y experimentación autónoma, este desarrollo constituye un paso importante para acelerar el descubrimiento de nuevos materiales, "concluye Alfred Ludwig.