AI-NERD 模型通过学习为每个 XPCS 数据样本天生独特的指纹。
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，从而帮助我们理解材料是如何演化的。
资料来源：阿贡国家实验室

与人一样，材料也会随着韶光的推移而变革。
它们在受压和放松时也会表现出不同的行为。
希望丈量材料变革动态的科学家们开拓了一种新技能，该技能利用了 X 射线光子干系光谱（XPCS）、人工智能（AI）和机器学习。

利用人工智能创新材料识别

这种技能可以创建不同材料的\公众指纹\公众，神经网络可以读取和剖析这些\"大众指纹\"大众，从而得到科学家以前无法得到的新信息。
神经网络是一种打算机模型，其决策办法与人脑类似。

在美国能源部（DOE）阿贡国家实验室前辈光子源（APS）和纳米材料中央（CNM）研究职员的一项新研究中，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）配对利用。
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射线排列中隐蔽的模式。
APS 和 CNM 是能源部科学办公室的用户举动步伐。

X 射线散射数据的繁芜性

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：\"大众我们理解材料如何随韶光移动和变革的方法便是网络 X 射线散射数据。
\公众

这些图案过于繁芜，如果没有人工智能的帮助，科学家们根本无法创造。
霍沃斯说：\"大众在我们照射X 射线光束时，这些图案是如此多样和繁芜，以至于纵然是专家也很难明得个中任何图案的含义。
\"大众

为了让研究职员更好地理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：\"大众你可以把它想象成材料的基因组，它包含了重修全貌所需的所有信息。
\"大众

AI-NERD：绘制材料指纹

该项目名为\"大众非平衡松弛动力学人工智能\"大众（AI-NERD）。
指纹是通过一种名为自动编码器的技能创建的。
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），个中还包括一种解码器算法，用于从潜在表示返回到完全图像。

研究职员的目标是考试测验绘制材料指纹图谱，将具有相似特色的指纹聚拢成邻域。
通过全面不雅观察舆图上各个指纹邻域的特色，研究职员能够更好地理解材料的构造，以及材料在受力和松弛过程中是如何随韶光演化的。

大略地说，人工智能具有良好的一样平常模式识别能力，因此能够有效地将不同的 X 射线图像分类，并将它们整理到舆图中。
\"大众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，\"大众霍沃斯说。
\公众人工智能是模式识别专家\"大众。

随着升级版 APS 的上线，利用人工智能来理解散射数据将变得尤为主要。
改进后的举动步伐将产生比原来的 APS 亮 500 倍的 X 射线束。
Horwath说：\"大众我们从升级版APS得到的数据须要人工智能的力量来进行分类。

仿照材料动力学的互助努力

CNM 的理论小组与阿贡 X 射线科学部门的打算小组互助，对 XPCS 所展示的聚合物动力学进行分子仿照，并为 AI-NERD 等人工智能事情流程的演习合成数据。

根据这项研究撰写的论文于 7 月 15 日揭橥在《自然通讯》上。

编译自/ScitechDaily