Come gli esseri umani, i materiali si evolvono nel tempo e reagiscono diversamente a seconda che siano in condizioni di stress o rilassamento. L’AI-NERD sfrutta un algoritmo di apprendimento automatico che si auto-istruisce nel riconoscere e raggruppare queste impronte, facilitando l’analisi delle strutture materiali e delle loro trasformazioni nel tempo.
Il processo inizia con la raccolta di dati di diffusione dei raggi X, che sono estremamente complessi e diversificati, rendendo difficile persino per gli esperti interpretarli senza l’assistenza dell’AI. Questi dati vengono poi trasformati in impronte digitali attraverso un autoencoder, una rete neurale che codifica i dati in una rappresentazione latente essenziale per poi decodificarli nuovamente in immagini complete.
L’obiettivo principale di AI-NERD è di creare una mappa di queste impronte, raggruppando quelle con caratteristiche simili in “quartieri”. Analizzando le caratteristiche di questi gruppi, i ricercatori possono ottenere una comprensione più profonda della struttura e dell’evoluzione dei materiali. L’AI, in questo contesto, funge da esperto in riconoscimento di pattern, trattando i modelli di diffusione come immagini regolari per identificare schemi ricorrenti.
L’importanza di utilizzare l’AI per analizzare i dati di diffusione diventerà ancora più critica con l’avanzamento delle tecnologie, come dimostrato dall’aggiornamento dell’APS, che produrrà fasci di raggi X fino a 500 volte più luminosi rispetto alla configurazione originale. Questo aumento di potenza richiederà capacità avanzate di AI per gestire e interpretare efficacemente i volumi crescenti di dati.
Il progetto AI-NERD è stato sviluppato in collaborazione tra il gruppo teorico del Centro per i Materiali a Nanoscala (CNM) e il gruppo computazionale della divisione di scienza dei raggi X di Argonne, che hanno lavorato insieme per eseguire simulazioni molecolari delle dinamiche dei polimeri osservate tramite XPCS e per generare dati sintetici per addestrare i flussi di lavoro AI.
Un articolo basato su questo studio è stato pubblicato su Nature Communications, evidenziando il contributo significativo di questa ricerca nel campo della scienza dei materiali e dell’intelligenza artificiale.