Le modèle AI-NERD apprend à produire une empreinte digitale unique pour chaque échantillon de données XPCS. La cartographie des empreintes digitales à partir d'un grand ensemble de données expérimentales permet d'identifier les tendances et les modèles répétitifs qui nous aident à comprendre l'évolution des matériaux. Crédit : Argonne National Laboratory
Des chercheurs du laboratoire national d'Argonne ont développé une nouvelle technique utilisant les rayons X photon spectroscopie de corrélation et intelligence artificielle analyser les matériaux.
Cette méthode génère des « empreintes digitales » détaillées des matériaux, qui sont interprétées par l’IA pour révéler de nouvelles informations sur la dynamique des matériaux. L’approche, connue sous le nom d’AI-NERD, s’appuie sur l’intelligence artificielle non supervisée. apprentissage automatique de reconnaître et de regrouper ces empreintes digitales, améliorant ainsi la compréhension du comportement des matériaux dans différentes conditions.
Tout comme les êtres humains, les matériaux évoluent au fil du temps. Ils se comportent également différemment lorsqu’ils sont soumis à un stress ou à une détente. Des scientifiques cherchant à mesurer la dynamique de l’évolution des matériaux ont développé une nouvelle technique qui s’appuie sur la spectroscopie de corrélation des photons X (XPCS), l’intelligence artificielle (IA) et l’apprentissage automatique.
Identification innovante des matériaux grâce à l'IA
Cette technique permet de créer des « empreintes digitales » de différents matériaux qui peuvent être lues et analysées par un réseau neuronal pour obtenir de nouvelles informations auxquelles les scientifiques n’avaient auparavant pas accès. Un réseau neuronal est un modèle informatique qui prend des décisions de manière similaire au cerveau humain.
Dans une nouvelle étude menée par des chercheurs de l'Advanced Photon Source (APS) et du Center for Nanoscale Materials (CNM) du laboratoire national d'Argonne du ministère américain de l'Énergie (DOE), les scientifiques ont associé XPCS à un algorithme d'apprentissage automatique non supervisé, une forme de réseau neuronal qui ne nécessite aucune formation spécialisée. L'algorithme apprend lui-même à reconnaître des motifs cachés dans des arrangements de rayons X diffusés par un colloïde, un groupe de particules en suspension dans une solution. L'APS et le CNM sont des installations utilisatrices du DOE Office of Science.
« L’objectif de l’IA est simplement de traiter les motifs de dispersion comme des images ou des photos ordinaires et de les assimiler pour déterminer quels sont les motifs répétitifs. L’IA est un expert en reconnaissance de motifs. »
— James (Jay) Horwath, Laboratoire national d'Argonne
Complexités des données de diffusion des rayons X
« La façon dont nous comprenons comment les matériaux se déplacent et changent au fil du temps est de collecter des données de diffusion des rayons X », a déclaré James (Jay) Horwath, chercheur postdoctoral d'Argonne, premier auteur de l'étude.
Ces modèles sont trop compliqués pour que les scientifiques puissent les détecter sans l'aide de l'IA. « Lorsque nous projetons le faisceau de rayons X, les modèles sont si divers et si compliqués qu'il devient difficile, même pour les experts, de comprendre ce qu'ils signifient », a déclaré Horwath.
Pour que les chercheurs comprennent mieux ce qu'ils étudient, ils doivent condenser toutes les données en empreintes digitales qui ne contiennent que les informations les plus essentielles sur l'échantillon. « On peut considérer cela comme le génome d'un matériau, il contient toutes les informations nécessaires pour reconstruire l'image entière », a déclaré Horwath.
AI-NERD : cartographie des empreintes digitales matérielles
Le projet s'appelle Intelligence artificielle pour la dynamique de relaxation hors équilibre, ou AI-NERD. Les empreintes digitales sont créées à l'aide d'une technique appelée autoencodeur. Un autoencodeur est un type de réseau neuronal qui transforme les données d'image originales en empreinte digitale (appelée représentation latente par les scientifiques) et qui comprend également un algorithme de décodage utilisé pour passer de la représentation latente à l'image complète.
L'objectif des chercheurs était d'essayer de créer une carte des empreintes digitales du matériau, en regroupant les empreintes digitales ayant des caractéristiques similaires dans des quartiers. En examinant de manière holistique les caractéristiques des différents quartiers d'empreintes digitales sur la carte, les chercheurs ont pu mieux comprendre comment les matériaux étaient structurés et comment ils évoluaient au fil du temps sous l'effet du stress et de la détente.
En termes simples, l’IA possède de bonnes capacités générales de reconnaissance de formes, ce qui lui permet de classer efficacement les différentes images radiographiques et de les trier sur la carte. « L’objectif de l’IA est simplement de traiter les motifs de diffusion comme des images ou des photos ordinaires et de les assimiler pour déterminer quels sont les motifs répétitifs », a déclaré Horwath. « L’IA est un expert en reconnaissance de formes. »
L’utilisation de l’IA pour comprendre les données de diffusion sera particulièrement importante à mesure que l’APS modernisé sera mis en service. L’installation améliorée générera des faisceaux de rayons X 500 fois plus brillants que l’APS d’origine. « Les données que nous obtiendrons de l’APS modernisé auront besoin de la puissance de l’IA pour les trier », a déclaré Horwath.
Efforts collaboratifs dans la simulation de la dynamique des matériaux
Le groupe théorique du CNM a collaboré avec le groupe informatique de la division des sciences des rayons X d'Argonne pour réaliser des simulations moléculaires de la dynamique des polymères démontrée par XPCS et, à l'avenir, générer des données synthétiques pour la formation de flux de travail d'IA comme l'AI-NERD.
Un article basé sur l'étude a été publié le 15 juillet dans Nature Communications.
L’étude a été financée grâce à une subvention de recherche et développement dirigée par le laboratoire d’Argonne.
Les auteurs de l'étude sont James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan et Mathew Cherukara d'Argonne. Chen et He occupent des postes conjoints au Université de Chicagoet Sankaranaryanan ont un poste conjoint à l'Université de l'Illinois à Chicago.
