AI-verbeterde techniek belicht materiaalreacties op nanoschaal

Kory Burns, professor aan de University of Virginia School (UVA) of Engineering and Applied Science, is een materiaalwetenschappelijk onderzoeker die kunstmatige intelligentie gebruikt om de karakterisering van materialen te verbeteren. Hij en zijn medewerkers, die meerdere universiteiten en nationale laboratoria vertegenwoordigen, hebben hun innovatieve nieuwe techniek gedetailleerd beschreven, waarbij wordt onderzocht hoe de effecten van straling op materialen op nanoschaal beter kunnen worden bepaald. in een papier in APL-machine learning.

UVA werkt samen met Oak Ridge National Laboratory, dat mede-host is van het onderzoek van Burns. Het onderzoek beschikt over een van de grootste gelabelde datasets in zijn soort en belooft het inzicht te vergroten in hoe materialen zich niet alleen gedragen onder bestraalde omstandigheden, maar mogelijk ook onder andere soorten extremen.

Industrieën zoals hernieuwbare energie, ruimteverkenning en geavanceerde elektronica zullen profiteren van verbeterde materialen die beter bestand zijn tegen zware omstandigheden.

Voor gewone consumenten zou de doorbraak batterijen met een langere levensduur, betrouwbaardere elektronica en veiligere medische apparaten kunnen betekenen.

“Defecten veroorzaakt door straling op nanoschaal kunnen de prestaties en de structurele levensduur aanzienlijk beïnvloeden”, zegt Burns, die in augustus assistent-professor werd nadat hij in 2022 bij het Department of Materials Science Engineering kwam als Rising Scholar Research Scientist. “Door de fundamentele interacties binnen materialen te onderzoeken, kunnen we betere strategieën bedenken om hun levensduur te verlengen.”

Kleine en snelle veranderingen

Transmissie-elektronenmicroscopie, of TEM, is een beeldvormingstechniek waarbij een elektronenbundel door zeer dunne monsters gaat, vaak dunne films genoemd omdat ze zo plat zijn.

TEM kan details op nanoschaal op atomair niveau over een exemplaar onthullen die onmogelijk te zien zijn met een lichtmicroscoop. Dat kunnen kristalstructuren of kleine veranderingen zijn die optreden als gevolg van oppervlakte-interacties, waardoor TEM een essentieel hulpmiddel is in de materiaalkunde.

Wetenschappers kunnen ook convolutionele neurale netwerken, of CNN’s, gebruiken om veranderingen in de loop van de tijd te bestuderen. In tegenstelling tot traditionele modellen leren CNN’s in één keer van grote groepen gegevens.

Het team van Burns combineerde de twee benaderingen en vergeleek de CNN-resultaten met traditionele TEM-beelden om de effectiviteit van het model bij het vastleggen van interacties op nanoschaal te beoordelen.

“Ons model vermindert menselijke fouten, versnelt de analyse en kwantificeert snelle reacties”, aldus Burns. “Nauwkeurige resultaten zijn echter afhankelijk van de juiste gegevensvoorbereiding en het verfijnen van modelinstellingen.”

Metalen verschillen in hun gebreken

Met behulp van geavanceerde tijdreeksbeeldvormingstechnieken met de transmissie-elektronenmicroscoop heeft het team meer dan 1.000 beelden samengesteld van meer dan 250.000 defecten die tijdens ionenbestraling zijn ontstaan. Deze defecten omvatten heliumbellen en vlakke defecten die bekend staan ​​als “dislocatielussen”.

De belangrijkste bevindingen uit het onderzoek benadrukken de complexiteit van de defectclassificatie. Uit het onderzoek bleek dat defecten in materialen zoals koper en goud ander gedrag vertonen dan die in palladium. Dit onderscheid onderstreept de behoefte aan gespecialiseerde analytische modellen om deze materialen nauwkeurig onder straling te bestuderen.

Een grote uitdaging die de onderzoekers tegenkwamen was ‘drift’, waarbij beelden kunnen verschuiven als gevolg van veranderingen in de experimentele omgeving, wat tot mogelijke onnauwkeurigheden kan leiden. Om dit aan te pakken, stelde het team het gebruik van geavanceerde technieken voor, zoals het denoiseren van auto-encoders, die helpen bij het opschonen van afbeeldingen en het verbeteren van de betrouwbaarheid van gegevens.

Burns werkte aan het onderzoek samen met ingenieurs en andere experts van de University of California-Berkeley, Sandia National Laboratories, Massachusetts Institute of Technology, Los Alamos National Laboratory, University of Florida, University of Michigan, Lawrence Berkeley National Laboratory en de University of Tennessee- Knoxville.