Metode AI Revolusioner Menciptakan “Sidik Jari” Materials yang Akurat
Mannequin AI-NERD belajar menghasilkan sidik jari unik untuk setiap sampel knowledge XPCS. Memetakan sidik jari dari kumpulan knowledge eksperimen yang besar memungkinkan identifikasi tren dan pola berulang yang membantu pemahaman kita tentang bagaimana materials berevolusi. Kredit: Laboratorium Nasional Argonne
Para peneliti di Laboratorium Nasional Argonne telah mengembangkan teknik baru menggunakan sinar-X foton spektroskopi korelasi dan kecerdasan buatan untuk menganalisis bahan.
Metode ini menghasilkan “sidik jari” materials secara terperinci, yang diinterpretasikan oleh AI untuk mengungkap informasi baru tentang dinamika materials. Pendekatan ini, yang dikenal sebagai AI-NERD, memanfaatkan teknologi tanpa pengawasan pembelajaran mesin untuk mengenali dan mengelompokkan sidik jari ini, meningkatkan pemahaman tentang perilaku materials dalam berbagai kondisi.
Seperti halnya manusia, materials berevolusi seiring waktu. Materials juga berperilaku berbeda saat diberi tekanan dan relaksasi. Para ilmuwan yang ingin mengukur dinamika perubahan materials telah mengembangkan teknik baru yang memanfaatkan spektroskopi korelasi foton sinar-X (XPCS), kecerdasan buatan (AI), dan pembelajaran mesin.
Inovasi Identifikasi Materials dengan AI
Teknik ini menciptakan “sidik jari” dari berbagai bahan yang dapat dibaca dan dianalisis oleh jaringan saraf untuk menghasilkan informasi baru yang sebelumnya tidak dapat diakses oleh para ilmuwan. Jaringan saraf adalah mannequin komputer yang membuat keputusan dengan cara yang mirip dengan otak manusia.
Dalam studi baru oleh para peneliti di Superior Photon Supply (APS) dan Heart for Nanoscale Supplies (CNM) di Laboratorium Nasional Argonne milik Departemen Energi AS (DOE), para ilmuwan telah memasangkan XPCS dengan algoritma pembelajaran mesin tanpa pengawasan, suatu bentuk jaringan saraf yang tidak memerlukan pelatihan ahli. Algoritma tersebut mengajarkan dirinya sendiri untuk mengenali pola yang tersembunyi dalam susunan sinar-X yang dihamburkan oleh koloid — sekelompok partikel yang tersuspensi dalam larutan. APS dan CNM adalah fasilitas pengguna Kantor Sains DOE.
“Tujuan AI hanyalah memperlakukan pola hamburan sebagai gambar atau foto biasa dan mengolahnya untuk mencari tahu pola mana yang berulang. AI adalah pakar pengenalan pola.”
— James (Jay) Horwath, Laboratorium Nasional Argonne
Kompleksitas dalam Information Hamburan Sinar-X
“Cara kita memahami bagaimana materials bergerak dan berubah seiring waktu adalah dengan mengumpulkan knowledge hamburan sinar-X,” kata peneliti pascadoktoral Argonne James (Jay) Horwath, penulis pertama penelitian tersebut.
Pola-pola ini terlalu rumit untuk dideteksi oleh para ilmuwan tanpa bantuan AI. “Saat kami menyinari sinar X, polanya sangat beragam dan rumit sehingga sulit bagi para ahli untuk memahami apa artinya,” kata Horwath.
Agar para peneliti dapat lebih memahami apa yang mereka pelajari, mereka harus memadatkan semua knowledge menjadi sidik jari yang hanya memuat informasi paling penting tentang sampel. “Anda dapat menganggapnya seperti memiliki genom materials, yang memiliki semua informasi yang diperlukan untuk merekonstruksi keseluruhan gambar,” kata Horwath.
AI-NERD: Memetakan Sidik Jari Materials
Proyek ini disebut Kecerdasan Buatan untuk Dinamika Relaksasi Non-Ekuilibrium, atau AI-NERD. Sidik jari dibuat dengan menggunakan teknik yang disebut autoencoder. Autoencoder adalah jenis jaringan saraf yang mengubah knowledge gambar asli menjadi sidik jari — yang disebut representasi laten oleh para ilmuwan — dan yang juga mencakup algoritma dekoder yang digunakan untuk beralih dari representasi laten kembali ke gambar penuh.
Tujuan para peneliti adalah mencoba membuat peta sidik jari materials, mengelompokkan sidik jari dengan karakteristik serupa ke dalam lingkungan. Dengan melihat secara holistik fitur berbagai lingkungan sidik jari pada peta, para peneliti dapat lebih memahami bagaimana materials tersebut terstruktur dan bagaimana mereka berevolusi seiring waktu saat mereka diberi tekanan dan relaksasi.
AI, secara sederhana, memiliki kemampuan pengenalan pola umum yang baik, sehingga mampu mengkategorikan berbagai gambar sinar-X secara efisien dan mengurutkannya ke dalam peta. “Tujuan AI hanyalah memperlakukan pola hamburan sebagai gambar atau foto biasa dan mengolahnya untuk mengetahui pola yang berulang,” kata Horwath. “AI adalah pakar pengenalan pola.”
Penggunaan AI untuk memahami knowledge hamburan akan menjadi sangat penting saat APS yang ditingkatkan mulai beroperasi. Fasilitas yang ditingkatkan akan menghasilkan sinar X yang 500 kali lebih terang daripada APS asli. ”Information yang kami peroleh dari APS yang ditingkatkan akan membutuhkan kekuatan AI untuk memilahnya,” kata Horwath.
Upaya Kolaboratif dalam Simulasi Dinamika Materials
Kelompok teori di CNM berkolaborasi dengan kelompok komputasi di divisi Ilmu Sinar-X Argonne untuk melakukan simulasi molekuler dari dinamika polimer yang ditunjukkan oleh XPCS dan selanjutnya menghasilkan knowledge sintetis untuk melatih alur kerja AI seperti AI-NERD.
Sebuah makalah berdasarkan penelitian ini diterbitkan pada tanggal 15 Juli di Komunikasi Alam.
Referensi: “AI-NERD: Penjelasan dinamika relaksasi di luar keseimbangan melalui spektroskopi korelasi foton sinar-X yang diinformasikan AI” oleh James P. Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric M. Dufresne, Miaoqi Chu, Subramanian KRS Sankaranarayanan, Wei Chen, Suresh Narayanan dan Mathew J. Cherukara, 15 Juli 2024, Komunikasi Alam.
Nomor Induk Kependudukan: 10.1038/s41467-024-49381-z
Penelitian ini didanai melalui hibah penelitian dan pengembangan yang diarahkan laboratorium Argonne.
Penulis studi tersebut meliputi James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan, dan Mathew Cherukara dari Argonne. Chen dan He memiliki jabatan bersama di Universitas Chicagodan Sankaranaryanan memiliki jabatan bersama di Universitas Illinois Chicago.
