Los científicos de la Universidad de Rochester afirman que el aprendizaje profundo puede potenciar una técnica que ya es el estándar de oro para caracterizar nuevos materiales. En un npj Computational Materials En el artículo, el equipo interdisciplinario describe los modelos que desarrollaron para aprovechar mejor las enormes cantidades de datos que producen los experimentos de difracción de rayos X.
Durante los experimentos de difracción de rayos X, un haz de rayos X incide sobre una muestra, produciendo imágenes difractadas que contienen información importante sobre la estructura y las propiedades del material. El líder del proyecto, Niaz Abdolrahim, profesor asociado en el Departamento de Ingeniería Mecánica y científico del Laboratorio de Energética Láser (LLE), dice que los métodos convencionales de análisis de estas imágenes pueden ser polémicos, consumir mucho tiempo y, a menudo, ineficaces.
"Hay mucha ciencia de materiales y física escondida en cada una de estas imágenes y cada día se producen terabytes de datos en instalaciones y laboratorios de todo el mundo", dice Abdolrahim. "Desarrollar un buen modelo para analizar estos datos realmente puede ayudar a acelerar la innovación de materiales, comprender los materiales en condiciones extremas y desarrollar materiales para diferentes aplicaciones tecnológicas".
El estudio, dirigido por el Ph.D. en ciencias de los materiales. El estudiante Jerardo Salgado, es particularmente prometedor para experimentos de alta densidad de energía como los realizados en el LLE por investigadores del Centro para la Materia a Presiones Atómicas. Al examinar el momento preciso en el que los materiales en condiciones extremas cambian de fase, los científicos pueden descubrir formas de crear nuevos materiales y aprender sobre la formación de estrellas y planetas.
Abdolrahim dice que el proyecto mejora los intentos anteriores de desarrollar modelos de aprendizaje automático para el análisis de difracción de rayos X que fueron entrenados y evaluados principalmente con datos sintéticos. Abdolrahim, profesor asociado Chenliang Xu del Departamento de Ciencias de la Computación, y sus estudiantes incorporaron datos del mundo real de experimentos con materiales inorgánicos para entrenar sus modelos de aprendizaje profundo.
Según Abdolrahim, es necesario que haya más datos experimentales de análisis de difracción de rayos X disponibles públicamente para ayudar a refinar los modelos. Ella dice que el equipo está trabajando en la creación de plataformas para que otros compartan datos que puedan ayudar a entrenar y evaluar el sistema, haciéndolo aún más efectivo.
Nota de corrección (25/12/2023):El segundo párrafo se actualizó para mayor precisión.
Más información: Jerardo E. Salgado et al, Clasificación automatizada de grandes datos de difracción de rayos X utilizando modelos de aprendizaje profundo, npj Computational Materials (2023). DOI:10.1038/s41524-023-01164-8
Proporcionado por la Universidad de Rochester
