De patronen van de natuur op atomair niveau in levende kleuren onthullen – ScienceDaily

Kleurcodering maakt luchtkaarten gemakkelijker te begrijpen. Door middel van kleur kunnen we snel zien waar een weg, bos, woestijn, stad, rivier of meer zich bevindt.

In samenwerking met verschillende universiteiten heeft het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) een methode ontwikkeld voor het maken van kleurgecodeerde grafieken met grote hoeveelheden gegevens van röntgenanalyse. Deze nieuwe tool maakt gebruik van computationele gegevenssortering om combinaties te vinden die verband houden met fysieke eigenschappen, zoals atomaire vervorming in een kristalstructuur. Het zou toekomstig onderzoek naar structurele veranderingen op atomaire schaal, veroorzaakt door veranderende temperaturen, aanzienlijk moeten versnellen.

“Onze methode maakt gebruik van machinaal leren om snel enorme hoeveelheden gegevens van röntgendiffractie te analyseren”, zegt Raymond Osborne, hoofdfysicus bij de afdeling Materials Science in Argonne. “Wat in het verleden maanden duurde, duurt nu ongeveer een kwartier, met nauwkeurigere resultaten.”

Röntgendiffractie, of XRD, is al meer dan een eeuw een van de meest vruchtbare wetenschappelijke methoden voor het analyseren van materialen. Het heeft essentiële informatie opgeleverd over de driedimensionale atomaire structuur van technologisch oneindige materialen.

In de afgelopen decennia is de hoeveelheid gegevens die wordt geproduceerd in XRD-experimenten dramatisch toegenomen in faciliteiten zo groot als de Advanced Photon Source (APS), een gebruikersfaciliteit voor het Office of Science van het Department of Energy in Argonne. Er is echter een ernstig gebrek aan analysemethoden die deze enorme datasets aankunnen.

Het team noemt hun nieuwe methode X-ray temperatuurregistratie, of kortweg XTEC. Versnelt materiaalontdekkingen door snelle assemblage en kleurcodering van grote röntgengegevenssets om eerder verborgen structurele veranderingen te onthullen die optreden bij stijgende of dalende temperatuur. Een typische grote dataset kan 10.000 GB zijn, wat overeenkomt met ongeveer 3 miljoen nummers van gestreamde muziek.

XTEC bouwt voort op de kracht van onbewaakt machine learning, met behulp van methoden die voor dit project zijn ontwikkeld aan de Cornell University. Deze machine learning is niet gebaseerd op initiële training en leren met reeds goed onderzochte gegevens. In plaats daarvan leert het door zonder dergelijke training patronen en combinaties te vinden in grote datasets. Deze patronen worden vervolgens weergegeven door kleurcodering.

“XTEC kan bijvoorbeeld rood toewijzen aan de eerste dataset, wat correleert met een bepaald kenmerk dat op een bepaalde manier verandert met de temperatuur”, zei Osborne. “Dan is de tweede groep blauw, geassocieerd met een ander kenmerk dat afhangt van een andere temperatuur, enz. De kleuren laten zien of elke groep het equivalent van een weg, een bos of een meer op een atmosferische kaart vertegenwoordigt.”

Als testcase analyseerde XTEC gegevens van de 6-ID-D-straallijn bij APS, afkomstig van twee supergeleidende kristallijne materialen bij temperaturen dicht bij het absolute nulpunt. Bij een zeer lage temperatuur transformeren deze materialen in een supergeleidende toestand en bieden ze geen weerstand tegen elektrische stroom. Belangrijk voor deze studie is dat andere ongebruikelijke kenmerken verschijnen bij hogere temperaturen die verband houden met veranderingen in de structuur van het materiaal.

Door XTEC toe te passen, heeft het team een ​​ongekende hoeveelheid informatie geëxtraheerd over veranderingen in atomaire structuur bij verschillende temperaturen. Dit omvat niet alleen verstoringen in de geordende rangschikking van atomen in een stof, maar ook fluctuaties die optreden wanneer dergelijke veranderingen optreden.

“Door machine learning kunnen we materiaalgedrag zien dat niet zichtbaar is met conventionele XRD”, zei Osborne. “En onze methode is toepasbaar op veel big data-problemen, niet alleen in supergeleiders, maar ook in batterijen, zonnecellen en elk temperatuurgevoelig apparaat.”

APS ondergaat een enorme upgrade die de helderheid van de röntgenstralen tot 500 keer zal verhogen. Samen met de upgrade komt er een aanzienlijke toename van de gegevens die in APS worden verzameld, en er zijn machine learning-technieken nodig om die gegevens tijdig te analyseren.

Naast Osborne zijn Argonne-schrijvers Matthew Krogstad, Daniel Phelan, Buspa Oprete, Michael Norman en Stefan Rosenkranz. De belangrijkste samenwerkende partner is Cornell University (Eun-Ah Kim, Jordan Venderley, Krishnanand Mallayya, Michael Matty, Geoff Pleiss, Varsha Kishore, Kilian Weinberger) en de bron van Cornell High Energy Synchrotron (Jacob Raff). Andere partners zijn de Universiteit van Tennessee (David Mandros), de Universiteit van Maryland (Lake Poddle) en de Universiteit van New York (Andrew Gordon Wilson).

De financiering van Argonne werd verstrekt door het Department of Energy’s Office of Basic Energy Sciences en de National Science Foundation.