无需任何系统的物理知识，美国阿贡国家实验室AI制造材料「指纹」

人工智能学家 · 公众号 · · 2024-07-27 16:00

正文

来源：ScienceAI

编辑：绿罗

正如人类一样，材料也会随时间推移而演变。它们在受到压力和放松时也会表现出不同的行为。

由于难以在不同长度和时间尺度上对材料进行实验探测，理解和解释功能材料原位动力学是物理学和材料科学领域的一大挑战。

近日，来自美国阿贡国家实验室的研究人员开发了一个无监督深度学习 (DL) 框架，用于自动从实验数据中对松弛动力学（ relaxation dynamics ）进行分类，而无需任何系统的物理知识。

这项技术可以创建不同材料的「指纹」，这些指纹可以通过神经网络读取和分析，从而获得科学家以前无法访问的新信息。

研究展示了如何使用这种方法来加速对大型数据集的探索，识别感兴趣的样本，并且应用这种方法将微观动力学与模型系统的宏观特性直接关联起来。

重要的是，该 DL 框架与材料和工艺无关，标志着朝着自主材料发现迈出了坚实的一步。

相关研究以「 AI-NERD: Elucidation of relaxation dynamics beyond equilibrium through AI-informed X-ray photon correlation spectroscopy 」为题，于 7 月 15 日发布在《 Nature Communications 》上。

论文链接： https://www.nature.com/articles/s41467-024-49381-z

结构-性能关系是材料科学和凝聚态物理学的核心。然而，缺陷和无序使得用简单的分析模型描述真实材料变得困难。

更复杂的是，许多材料都处于非平衡状态，要么随时间演变，要么处于亚稳态，这意味着它们的结构和性能会因环境的微小变化而发生重大而根本的变化。

X 射线光子相关光谱 (XPCS) 特别适合表征广泛时间尺度上的材料动力学。然而，材料行为的空间和时间异质性可能使实验性 XPCS 数据的解释变得困难。

图示：XPCS 数据的实验装置和机器学习工作流程示意图。（来源：论文）

「我们了解材料如何随时间移动和变化的方式是收集 X 射线散射数据，当我们发射 X 射线束时，这些模式是如此多样和复杂，以至于即使是专家也很难理解它们的含义，」论文一作、阿贡国家实验室博士后研究员 James (Jay) Horwath 说。

这些模式太复杂了，科学家如果没有人工智能的帮助就无法检测出来。

为了让研究人员更好地理解他们正在研究的内容，他们必须将所有数据压缩成只包含样本最重要信息的指纹。

「你可以把它想象成拥有材料的基因组；它拥有重建整个图片所需的所有信息，」Horwath 说。

在此，研究人员提出了用于探索大型复杂 XPCS 数据集的无监督框架，称为「非平衡松弛动力学人工智能」（Artificial Intelligence for Non-Equilibrium Relaxation Dynamics），简称 AI-NERD。

指纹是使用一种称为自动编码器的技术创建的。自动编码器是一种神经网络，它将原始图像数据转换为指纹（科学家称之为潜在表示），它还包括一种解码器算法，用于从潜在表示返回完整图像。

研究人员的目标是尝试创建材料指纹图，将具有相似特征的指纹聚类到邻域中。通过整体查看地图上各种指纹邻域的特征，研究人员能够更好地了解材料的结构以及它们在受压和放松时如何随时间演变。

简单来说，AI 具有良好的通用模式识别能力，能够有效地对不同的 X 射线图像进行分类并将它们分类到地图中。

图示：潜在空间中的距离用于将相似的图像推荐给用户感兴趣的特定图像。（来源：论文）

「AI 的目标只是将散射模式视为常规图像或图片并对其进行消化，从而找出重复模式是什么，」Horwath 说。「AI 是模式识别专家。」

研究人员合作，对 XPCS 展示的聚合物动力学进行分子模拟，并在未来合成生成数据，用于训练 AI-NERD 等人工智能工作流程。

无需任何系统的物理知识，美国阿贡国家实验室AI制造材料「指纹」

正文

请到「今天看啥」查看全文