El estudio muestra cómo los materiales cambian con el estrés y la relajación.
Al igual que las personas, el contenido evoluciona con el tiempo. También se comportan de manera diferente cuando están estresados y relajados. Los científicos que buscan medir la dinámica de cómo cambian los materiales han desarrollado una nueva técnica que aprovecha la espectroscopia de correlación de fotones de rayos X (XPCS), la inteligencia artificial (IA) y el aprendizaje automático.
La técnica crea “huellas dactilares” de diferentes materiales que pueden leerse y analizarse mediante redes neuronales para descubrir nueva información a la que los científicos no podían acceder antes. Una red neuronal es un modelo informático que toma decisiones como un cerebro humano.
En un nuevo estudio realizado por investigadores de la Fuente Avanzada de Fotones (APS) y el Centro de Materiales a Nanoescala (CNM) del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), los científicos han combinado XPCS con un algoritmo de aprendizaje automático no supervisado, que es un forma de sistema nervioso. Red que no requiere formación experta. El algoritmo aprende por sí solo a reconocer patrones ocultos dentro de una disposición de rayos X dispersados por un coloide, un grupo de partículas suspendidas en una solución. APS y CNM son instalaciones para usuarios de la Oficina de Ciencias del DOE.
“El propósito de la IA es simplemente percibir patrones dispersos como imágenes o fotografías normales y digerirlos para descubrir cuáles son los patrones que se repiten. La IA es experta en reconocimiento de patrones”. — James (Jay) Horvath, Laboratorio Nacional Argonne
“La forma en que entendemos cómo los materiales se mueven y cambian con el tiempo es mediante la recopilación de datos de dispersión de rayos X”, dijo el investigador postdoctoral de Argonne, James (J) Horvath, primer autor del estudio.
Estos patrones son demasiado complejos para que los científicos los encuentren sin la ayuda de la IA. “Cuando proyectamos un haz de rayos X, los patrones son tan diversos y tan complejos que es difícil incluso para los expertos entender lo que significan”, dijo Horvath.
Para que los investigadores comprendan mejor lo que están estudiando, deben reducir todos los datos a huellas dactilares que contengan sólo la información más esencial sobre la muestra. “Se puede considerar como el genoma del material; contiene toda la información necesaria para reconstruir la imagen completa”, dijo Horvath.
El proyecto se llama Inteligencia artificial para dinámicas de relajación en desequilibrio, o AI-NERD. Las huellas dactilares se crean mediante una técnica llamada codificador automático. Un codificador automático es un tipo de red neuronal que convierte los datos de la imagen original en una huella digital (llamada representación latente por los científicos) e incluye un algoritmo decodificador que completa la representación latente que se utiliza para ir a una imagen.
El objetivo de los investigadores era intentar mapear las huellas dactilares del material, agrupando huellas dactilares con características similares en vecindarios. Al observar las propiedades de diferentes vecindarios de huellas dactilares en el mapa en su conjunto, los investigadores pudieron comprender mejor cómo se estructuraron los materiales y cómo evolucionaron con el tiempo cuando estaban bajo estrés y en reposo.
La IA, en pocas palabras, tiene buenas capacidades generales de reconocimiento de patrones, lo que le permite clasificar de manera eficiente diferentes imágenes de rayos X y mapearlas. “El objetivo de la IA es simplemente entender los patrones de dispersión como imágenes regulares y digerirlos para descubrir cuáles son los patrones repetidos”, dijo Horwath. “La IA es experta en el reconocimiento de patrones”.
El uso de IA para comprender los datos dispersos será especialmente importante a medida que el APS actualizado esté en línea. La instalación mejorada producirá haces de rayos X 500 veces más brillantes que el APS original. “Los datos que obtenemos del APS actualizado requerirán el poder de la IA para clasificarlos”, dijo Horwath.
El grupo teórico del CNM colaboró con el grupo computacional de la División de Ciencias de Rayos X de Argonne para realizar simulaciones moleculares de la dinámica de los polímeros visualizadas por XPCS y generar datos artificialmente para entrenar flujos de trabajo de IA como AI-NERD.
Este estudio fue financiado por una subvención de investigación y desarrollo dirigida por el laboratorio Argonne.
Los autores del estudio incluyen a James (Jay) Horvath de Argonne, Zhao Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramaniam Sankaranaryanan, Wei Chen, Suresh Narayanan y Matthew Chirokara. Chen y él tienen un cargo conjunto en la Universidad de Chicago, y Sankaranarian tiene un cargo conjunto en la Universidad de Illinois en Chicago.
