El aprendizaje automático impulsa la búsqueda de nuevos materiales

Los científicos han desarrollado modelos de aprendizaje profundo capaces de cribar las ingentes cantidades de datos generados por las técnicas de difracción de rayos X

29.12.2023

Imagen simbólica

Computer-generated image

Científicos de la Universidad de Rochester afirman que el aprendizaje profundo puede potenciar una técnica que ya es el patrón oro para caracterizar nuevos materiales. En un artículo publicado en npj Computational Materials, el equipo interdisciplinar describe los modelos que han desarrollado para aprovechar mejor las ingentes cantidades de datos que producen los experimentos de difracción de rayos X.

Durante los experimentos de difracción de rayos X, unos láseres brillantes iluminan una muestra y producen imágenes difractadas que contienen información importante sobre la estructura y las propiedades del material. El director del proyecto, Niaz Abdolrahim, profesor asociado del Departamento de Ingeniería Mecánica y científico del Laboratorio de Energía Láser (LLE), afirma que los métodos convencionales de análisis de estas imágenes pueden ser polémicos, lentos y, a menudo, ineficaces.

"Hay mucha ciencia y física de materiales escondida en cada una de estas imágenes y cada día se producen terabytes de datos en instalaciones y laboratorios de todo el mundo", dice Abdolrahim. "Desarrollar un buen modelo para analizar estos datos puede ayudar realmente a acelerar la innovación en materiales, comprender los materiales en condiciones extremas y desarrollar materiales para diferentes aplicaciones tecnológicas".

El estudio, dirigido por Jerardo Salgado '23 MS (ciencia de los materiales), es especialmente prometedor para los experimentos de alta densidad de energía como los realizados en LLE por investigadores del Centro de Materia a Presiones Atómicas. Examinando el momento preciso en que los materiales en condiciones extremas cambian de fase, los científicos pueden descubrir formas de crear nuevos materiales y aprender sobre la formación de estrellas y planetas.

Abdolrahim afirma que el proyecto, financiado por la Administración Nacional de Seguridad Nuclear del Departamento de Energía de EE.UU. y la Fundación Nacional de la Ciencia, mejora los intentos anteriores de desarrollar modelos de aprendizaje automático para el análisis de difracción de rayos X que se entrenaron y evaluaron principalmente con datos sintéticos. Abdolrahim, el profesor asociado Chenliang Xu, del Departamento de Informática, y sus estudiantes incorporaron datos reales de experimentos con materiales inorgánicos para entrenar sus modelos de aprendizaje profundo.

Según Abdolrahim, es necesario poner a disposición del público más datos experimentales de análisis de difracción de rayos X para ayudar a perfeccionar los modelos. Dice que el equipo está trabajando en la creación de plataformas para que otros compartan datos que puedan ayudar a entrenar y evaluar el sistema, haciéndolo aún más eficaz.

Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.

Publicación original

Jerardo E. Salgado, Samuel Lerman, Zhaotong Du, Chenliang Xu, Niaz Abdolrahim; "Automated classification of big X-ray diffraction data using deep learning models"; npj Computational Materials, Volume 9, 2023-12-4

https://www.quimica.es/noticias/1182363/el-aprendizaje-automatico-impulsa-la-bnsqueda-de-nuevos-materiales.html