Λογισμικό ανάλυσης δεδομένων που βασίζεται σε βαθιά μάθηση από την ORNL υπόσχεται να επιταχύνει την έρευνα υλικών: Εφαρμογές AI

Ερευνητές στο Εθνικό Εργαστήριο Oak Ridge του Τμήματος Ενέργειας ανέπτυξαν ένα πακέτο λογισμικού εμπνευσμένο από μηχανική μάθηση που παρέχει ανάλυση εικόνας από άκρο σε άκρο των εικόνων μικροσκοπίας ηλεκτρονίων και ανιχνευτών σάρωσης.

Γνωστό ως AtomAI, το πακέτο εφαρμόζει βαθιά εκμάθηση σε μικροσκοπικά δεδομένα σε ατομικές αναλύσεις, παρέχοντας έτσι μετρήσιμες φυσικές πληροφορίες, όπως την ακριβή θέση και τον τύπο κάθε ατόμου σε ένα δείγμα.

Χρησιμοποιώντας αυτές τις μεθόδους, οι ερευνητές μπορούν γρήγορα να αντλήσουν στατιστικά σημαντικές πληροφορίες από εξαιρετικά πολύπλοκα σύνολα δεδομένων. Αυτά τα σύνολα δεδομένων περιλαμβάνουν συνήθως εκατοντάδες εικόνες που η καθεμία περιέχει χιλιάδες άτομα και ανωμαλίες στη μοριακή δομή.

Αυτή η βελτίωση στην ανάλυση δεδομένων επιτρέπει στους ερευνητές να σχεδιάσουν κβαντικές ατομικά ακριβείς ανωμαλίες στα υλικά και μπορεί να χρησιμοποιηθεί για να αποκτήσουν βαθύτερες γνώσεις σχετικά με τις φυσικές και χημικές ιδιότητες των υλικών.

Η ηλεκτρονική μικροσκοπία και η μικροσκοπία ανιχνευτή σάρωσης επιτρέπουν σε επιστήμονες υλικών, φυσικούς και άλλους ερευνητές να διερευνούν ατομικές και μοριακές δομές σε εξαιρετικά υψηλές αναλύσεις. Αυτές οι μέθοδοι υψηλής ανάλυσης επιτρέπουν στους ερευνητές να παρατηρούν με σαφήνεια τις ατομικές δομές, καθιστώντας τις ένα σημαντικό εργαλείο για την κατανόηση και τη μηχανική υλικών σε νανοκλίμακα.

Η ηλεκτρονική μικροσκοπία είναι χρήσιμη για την απόκτηση ακριβών πληροφοριών σχετικά με τη δομή ενός υλικού, ενώ η μικροσκοπία ανιχνευτή σάρωσης χρησιμοποιείται συχνότερα για να μάθει για τις λειτουργικές ιδιότητες ενός υλικού, όπως η υπεραγωγιμότητα ή ο μαγνητισμός. Και οι δύο μέθοδοι επωφελούνται από τις σύγχρονες μεθόδους ανάλυσης εικόνας.

Η βαθιά μάθηση είναι ένα είδος μηχανικής μάθησης που επιτρέπει σε ένα πρόγραμμα να εκπαιδεύεται ώστε να αναγνωρίζει με ακρίβεια τα περιεχόμενα μιας εικόνας ή ενός μπλοκ κειμένου. Όταν η παραδοσιακή μηχανική εκμάθηση εφαρμόζεται στην ανάλυση εικόνας, τα σχετικά χαρακτηριστικά εξάγονται με μη αυτόματο τρόπο από ένα σύνολο εικόνων - μια διαδικασία γνωστή ως μηχανική χαρακτηριστικών - και χρησιμοποιούνται για τη δημιουργία ενός μοντέλου που κατηγοριοποιεί αντικείμενα με βάση αυτά τα χαρακτηριστικά.

Αντίθετα, τα μοντέλα βαθιάς μάθησης μαθαίνουν αυτόματα σχετικά χαρακτηριστικά χρησιμοποιώντας ένα δίκτυο πολυεπίπεδων «νευρώνων» - βιολογικά εμπνευσμένους κόμβους μέσω των οποίων ρέουν δεδομένα και υπολογισμοί - εκπαιδευμένοι να ανιχνεύουν διάφορες πτυχές μιας εικόνας σε διαφορετικά επίπεδα πολυπλοκότητας.

Αυτό επιτρέπει αυξημένη ακρίβεια και ανάλυση πιο ποικίλων πληροφοριών σε σύγκριση με την παραδοσιακή μηχανική εκμάθηση, εφόσον υπάρχουν αρκετά δεδομένα για την εκπαίδευση του συστήματος.

Το AtomAI, το οποίο αναπτύχθηκε εν μέρει στο ORNL's Κέντρο Επιστήμης Υλικών Νανοφάσης, περιλαμβάνει μια μοναδική αρχιτεκτονική μοντέλων για τον εντοπισμό λεπτών αντικειμένων όπως οι νανοΐνες ή τα τοιχώματα τομέων — οι διεπαφές που χωρίζουν μαγνητικές περιοχές — σε δεδομένα μικροσκοπίας. Το πακέτο λογισμικού είναι επίσης κατασκευασμένο για να μειώνει τα λάθη στην επεξεργασία εικόνας λαμβάνοντας υπόψη τις ακούσιες αλλαγές στα δεδομένα εικόνας, όπως εισερχόμενες κοσμικές ακτίνες ή εικόνες μη στοχευόμενων υλικών, και ενσωματώνοντας ορισμένα αμετάβλητα φυσικά χαρακτηριστικά στο μοντέλο.

Επίσης, το AtomAI περιλαμβάνει εργαλεία που επιτρέπουν στους ερευνητές να διεξάγουν ανάλυση σε πραγματικό χρόνο των δεδομένων που συλλέγονται και να εισάγουν πληροφορίες απευθείας σε θεωρητικές προσομοιώσεις. Αυτά τα χαρακτηριστικά είναι χρήσιμα για την απόκτηση γνώσεων σχετικά με τις ενεργειακές και οπτικές, ηλεκτρονικές και μαγνητικές ιδιότητες των φυσικών δομών που παρατηρούνται.

An επισκόπηση του πακέτου λογισμικού δημοσιεύτηκε στο Nature Machine Intelligence.

«Οι άνθρωποι συνήθιζαν να αντιμετωπίζουν τη μικροσκοπία ως ένα καθαρά ποιοτικό εργαλείο», είπε ο Maxim Ziatdinov, ερευνητής στο ORNL και ο κύριος προγραμματιστής του AtomAI, «αλλά πρόσφατα υπήρξε μια αλλαγή στη νοοτροπία της κοινότητας: η μικροσκοπία μπορεί πραγματικά να χρησιμοποιηθεί για εξάγουν ποσοτικές φυσικές πληροφορίες." Οι μέθοδοι ποιοτικής μικροσκοπίας βασίζονται γενικά στους ερευνητές που σημειώνουν ολιστικές πληροφορίες για ένα δείγμα, ενώ οι νέες ποσοτικές μέθοδοι επιτρέπουν ακριβείς αριθμητικές αναπαραστάσεις της δομής ή των ιδιοτήτων ενός υλικού.

Λογισμικό όπως το AtomAI επέτρεψε αυτή τη μετατόπιση, παρέχοντας μια μέθοδο για την ποσοτική ανάλυση των δομών ολόκληρων δειγμάτων για την εύρεση σημαντικών δεδομένων που οι ποιοτικές μέθοδοι ενδέχεται να παραποιήσουν ή απλώς να μην παρατηρήσουν.

Ο Ziatdinov αναμένει ότι το έργο της ομάδας του θα επιταχύνει τον ρυθμό προόδου τόσο στη βασική όσο και στην έρευνα εφαρμοσμένων υλικών. «Εάν μπορείτε να χαρακτηρίσετε τα πράγματα πιο γρήγορα και να αυτοματοποιήσετε τουλάχιστον ορισμένα μέρη της διαδικασίας, τότε θα επιταχύνετε επίσης όλες τις πτυχές της έρευνας της επιστήμης των υλικών», είπε.

Το AtomAI σχεδιάστηκε με γνώμονα την ευκολία χρήσης και την πρόσβαση. Ολόκληρο το πακέτο μπορεί να ξεκινήσει από ένα πρόγραμμα περιήγησης και απαιτεί ελάχιστες γνώσεις κωδικοποίησης για να λειτουργήσει.

"Εάν είστε πειραματιστής, τότε θα πρέπει να μπορείτε να χρησιμοποιήσετε τη μηχανική μάθηση χωρίς να γνωρίζετε όλα τα μαθηματικά πίσω από τη διαδικασία και χωρίς να είστε απαραίτητα καλός κωδικοποιητής", είπε ο Ziatdinov.

Το AtomAI είναι ένα πλήρες πακέτο λογισμικού και ο Ziatdinov και η ομάδα του αναμένουν να επεκτείνουν τις δυνατότητές του και να υποστηρίξουν περισσότερες δυνατότητες. Ενδιαφέρεται ιδιαίτερα να προσθέσει λειτουργικότητα για θεωρητικούς ερευνητές που αναζητούν ακριβείς εκτιμήσεις των φυσικών χαρακτηριστικών των κατασκευών, όπως η ενέργεια και η σταθερότητα, χωρίς να περάσουν από τη χρονοβόρα και δαπανηρή διαδικασία των παραδοσιακών προσομοιώσεων.

Ο Ziatdinov ανυπομονεί επίσης να ακούσει απευθείας από άλλους ερευνητές για τις ανάγκες και τις ιδέες τους για το AtomAI και συνεργάζεται μαζί τους για να ενσωματώσει νέες δυνατότητες στο πακέτο λογισμικού.

Το ORNL διοικείται από την UT-Battelle για το Γραφείο Επιστήμης του DOE, τον μοναδικό μεγαλύτερο υποστηρικτή της βασικής έρευνας στις φυσικές επιστήμες στις Ηνωμένες Πολιτείες. Το Γραφείο Επιστημών του DOE εργάζεται για να αντιμετωπίσει μερικές από τις πιο πιεστικές προκλήσεις της εποχής μας. Για περισσότερες πληροφορίες, επισκεφθείτε energy.gov/ επιστήμη. – Γκάλεν Φέιντερ

.wordads-ad-wrapper {display:none;font: normal 11px Arial, sans-serif; letter-space: 1px;text-decoration: none;width: 100%;margin: 25px auto;padding: 0;}.wordads -ad-title {margin-bottom: 5px;}.wordads-ad-controls {margin-top: 5px;text-align: right;}.wordads-ad-controls span {cursor: pointer;}.wordads-ad { πλάτος: fit-content; περιθώριο: 0 αυτόματο;}

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• πηγή: https://genesisnanotech.wordpress.com/2023/04/23/deep-learning-based-data-analysis-software-by-ornl-promises-to-accelerate-materials-research-ai-applications/