Des scientifiques 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. Dans un matériaux informatiques npj Dans cet article, l'équipe interdisciplinaire décrit les modèles qu'elle a développés pour mieux exploiter les quantités massives de données produites par les expériences de diffraction des rayons X.
Lors des expériences de diffraction des rayons X, un faisceau de rayons X brille sur 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 vraiment 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."
L'étude, dirigée par un docteur en science des matériaux. Jerardo Salgado, étudiant, est particulièrement prometteur 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 améliore les tentatives précédentes visant à développer des modèles d'apprentissage automatique 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 du monde réel 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 plateformes permettant à d'autres de partager des données qui peuvent aider à former et à évaluer le système, le rendant encore plus efficace.
Note de correction (25/12/2023) :le deuxième paragraphe a été mis à jour pour plus d'exactitude.
Plus d'informations : Jerardo E. Salgado et al, Classification automatisée de grandes données de diffraction des rayons X à l'aide de modèles d'apprentissage profond, npj Computational Materials (2023). DOI :10.1038/s41524-023-01164-8
Fourni par l'Université de Rochester
