Le matériau sur une plaque à mémoire de diffraction des rayons X sur poudre est analysé à l’installation laser Omega du laboratoire d’énergie laser de l’Université de Rochester. Les scientifiques développent des modèles d’apprentissage profond pour analyser les quantités massives de données produites par ces expériences. Crédit : Photo du Laboratoire d’énergie laser de l’Université de Rochester / Danae Polsin et Gregory Ameele
Les modèles d’apprentissage profond développés par les scientifiques sont désormais capables d’analyser les nombreuses données produites par les techniques de diffraction des rayons X.
Des chercheurs de l’Université de Rochester affirment que l’apprentissage profond peut dynamiser une technique qui constitue déjà la référence en matière de caractérisation de nouveaux matériaux. Leurs travaux, publiés dans Matériaux informatiques npjdétaille comment ils ont créé des modèles pour utiliser plus efficacement les nombreuses données générées par les expériences de diffraction des rayons X.
Au cours des expériences de diffraction des rayons X, des lasers brillants éclairent un échantillon, produisant des images diffractées contenant des informations importantes sur la structure et les propriétés du matériau. Niaz Abdolrahim, responsable du projet, professeur agrégé au Département de génie mécanique et scientifique au Laboratoire d’énergie laser (LLE), affirme que les méthodes conventionnelles d’analyse de ces images peuvent être controversées, longues et souvent inefficaces.
« De nombreuses sciences des matériaux et de la physique sont cachées dans chacune de ces images et des téraoctets de données sont produits chaque jour dans des installations et des laboratoires du monde entier », explique Abdolrahim. « Développer un bon modèle pour analyser ces données peut réellement aider à accélérer l’innovation en matière de matériaux, à comprendre les matériaux dans des conditions extrêmes et à développer des matériaux pour différentes applications technologiques. »
Innovations dans les expériences à haute densité d’énergie
L’étude, dirigée par Jerardo Salgado ’23 MS (science des matériaux), est particulièrement prometteuse pour les expériences à haute densité d’énergie comme celles menées au LLE par les chercheurs du Centre pour la matière à pressions atomiques. En examinant le moment précis où les matériaux changent de phase dans des conditions extrêmes, les scientifiques peuvent découvrir des moyens de créer de nouveaux matériaux et en apprendre davantage sur la formation des étoiles et des planètes.
Abdolrahim affirme que le projet, financé par la National Nuclear Security Administration du Département américain de l’Énergie et la National Science Foundation, améliore les tentatives précédentes de développement apprentissage automatique modèles pour l’analyse par diffraction des rayons X qui ont été formés et évalués principalement avec des données synthétiques. Abdolrahim, le professeur agrégé Chenliang Xu du Département d’informatique, et leurs étudiants ont incorporé des données réelles provenant d’expériences avec des matériaux inorganiques pour former leurs modèles d’apprentissage en profondeur.
Selon Abdolrahim, davantage de données expérimentales d’analyse par diffraction des rayons X doivent être accessibles au public pour aider à affiner les modèles. Elle dit que l’équipe travaille à la création de plates-formes permettant à d’autres de partager des données qui peuvent aider à former et à évaluer le système, le rendant ainsi encore plus efficace.
