L'analyse efficace des données de diffraction des rayons X (DRX) joue un rôle crucial dans la découverte de nouveaux matériaux, par exemple pour les systèmes énergétiques du futur. Il est utilisé pour analyser les structures cristallines de nouveaux matériaux afin de découvrir, pour quelles applications ils pourraient convenir. Les mesures XRD ont déjà été considérablement accélérées ces dernières années grâce à l'automatisation et fournissent de grandes quantités de données lors de la mesure des bibliothèques de matériaux. "Toutefois, Les techniques d'analyse XRD sont encore largement manuelles, long, sujet aux erreurs et non évolutif, " explique Alfred Ludwig. " Afin de découvrir et d'optimiser de nouveaux matériaux plus rapidement à l'avenir à l'aide d'expériences autonomes à haut débit, de nouvelles méthodes sont nécessaires."

Dans une nouvelle publication en Science informatique de la nature , une équipe dirigée par le Dr Phillip M. Maffettone (actuellement au National Synchrotron Light Source II à Upton, États-Unis) et le professeur Andrew Cooper du Département de chimie et de l'usine d'innovation des matériaux de l'Université de Liverpool, et Lars Banko et le professeur Alfred Ludwig de la Chaire de découverte des matériaux et des interfaces et Yury Lysogorskiy du Centre interdisciplinaire de simulation de matériaux avancés montrent comment l'intelligence artificielle peut être utilisée pour rendre l'analyse des données XRD plus rapide et plus précise. La solution est un agent d'IA appelé Crystallography Companion Agent (XCA), qui collabore avec les scientifiques. XCA peut effectuer des identifications de phase autonomes à partir des données XRD pendant qu'elles sont mesurées. L'agent convient aux systèmes de matériaux organiques et inorganiques. Ceci est rendu possible par la simulation à grande échelle de données de diffraction des rayons X physiquement correctes qui sont utilisées pour entraîner l'algorithme.

La discussion d'experts est simulée

De plus, une caractéristique unique de l'agent que l'équipe a adapté à la tâche actuelle est qu'il surmonte l'excès de confiance des réseaux neuronaux traditionnels. De tels réseaux prennent une décision finale même si les données ne permettent pas de conclure définitivement, alors qu'un scientifique communiquerait son incertitude et discuterait des résultats avec d'autres chercheurs. « Ce processus de prise de décision dans le groupe est simulé par un ensemble de réseaux de neurones, semblable à un vote entre experts, " explique Lars Banko. En XCA, un ensemble de réseaux de neurones forme le panel d'experts, pour ainsi dire, qui soumet une recommandation aux chercheurs. "Ceci est accompli sans manuel, des données marquées par l'homme et est robuste à de nombreuses sources de complexité expérimentale, " dit Banko.

XCA peut également être étendu à d'autres formes de caractérisation telles que la spectroscopie. "En complétant les avancées récentes de l'automatisation et de l'expérimentation autonome, ce développement constitue une étape importante pour accélérer la découverte de nouveaux matériaux, " conclut Alfred Ludwig.