L'apprentissage automatique stimule la recherche de nouveaux matériaux
Des scientifiques ont mis au point des modèles d'apprentissage profond capables de passer au crible les quantités massives de données générées par les techniques de diffraction des rayons X
Des scientifiques de l'université de Rochester affirment que l'apprentissage profond peut renforcer une technique qui est déjà l'étalon-or pour la caractérisation des nouveaux matériaux. Dans un article de npj Computational Materials, l'équipe interdisciplinaire décrit les modèles qu'elle a mis au point pour mieux exploiter les quantités massives de données produites par les expériences de diffraction des rayons X.
Un matériau sur une plaque d'image de diffraction de rayons X de poudre est analysé à l'Omega Laser Facility du Laboratory for Laser Energetics de l'université de Rochester. Les scientifiques développent des modèles d'apprentissage profond pour analyser les quantités massives de données produites par ces expériences.
University of Rochester Laboratory for Laser Energetics photo / Danae Polsin and Gregory Ameele
Lors des expériences de diffraction des rayons X, des lasers brillants éclairent un échantillon, produisant des images diffractées qui contiennent des informations importantes sur la structure et les propriétés du matériau. Niaz Abdolrahim, chef de projet, professeur agrégé au département de génie mécanique et scientifique au Laboratoire d'énergétique laser (LLE), explique que les méthodes conventionnelles d'analyse de ces images peuvent être controversées, longues et souvent inefficaces.
"Chacune de ces images recèle beaucoup de science des matériaux et de physique, et des téraoctets de données sont produits chaque jour dans les installations et les laboratoires du monde entier", explique M. Abdolrahim. "Le développement d'un bon modèle pour analyser ces données peut vraiment aider à accélérer l'innovation dans le domaine des matériaux, à comprendre les matériaux dans des conditions extrêmes et à développer des matériaux pour différentes applications technologiques.
L'étude, dirigée par Jerardo Salgado '23 MS (science des matériaux), est particulièrement prometteuse pour les expériences à haute densité énergétique telles que celles menées au LLE par les chercheurs du Center for Matter at Atomic Pressures. En examinant le moment précis où les matériaux soumis à des conditions extrêmes changent de phase, les scientifiques peuvent découvrir des moyens de créer de nouveaux matériaux et d'en savoir plus sur la formation des étoiles et des planètes.
M. Abdolrahim explique que le projet, financé par la National Nuclear Security Administration du ministère américain de l'énergie et la National Science Foundation, améliore les tentatives précédentes de développement de modèles d'apprentissage automatique pour l'analyse par diffraction des rayons X, qui ont été formés et évalués principalement à l'aide de données synthétiques. Abdolrahim, le professeur associé Chenliang Xu du département d'informatique et leurs étudiants ont incorporé des données du monde réel provenant d'expériences avec des matériaux inorganiques pour entraîner leurs modèles d'apprentissage profond.
Selon Mme Abdolrahim, davantage de données expérimentales d'analyse par diffraction des rayons X doivent être mises à la disposition du public pour permettre d'affiner les modèles. Elle ajoute 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 ainsi encore plus efficace.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
