Dans le domaine de la science des matériaux, une équipe de chercheurs a mis au point des modèles d’apprentissage profond capables de traiter les volumes massifs de données générés par les techniques de diffraction des rayons X. Cette innovation pourrait accélérer l’innovation matérielle et la compréhension des matériaux dans des conditions extrêmes.
Des chercheurs de l’Université de Rochester ont démontré que l’apprentissage profond peut optimiser une technique déjà reconnue pour la caractérisation de nouveaux matériaux.
Dans un article publié dans NPJ Computational Materials, l’équipe interdisciplinaire décrit les modèles qu’elle a développés pour mieux exploiter les quantités massives de données produites par les expériences de diffraction des rayons X.
Lors des expériences de diffraction des rayons X, des lasers brillants illuminent un échantillon, produisant des images diffractées qui contiennent des informations précieuses sur la structure et les propriétés du matériau.
Niaz Abdolrahim, chef de projet, professeur associé au département de génie mécanique et scientifique au Laboratoire pour l’énergie laser (LLE), explique que les méthodes conventionnelles d’analyse de ces images peuvent être contestées, longues et souvent inefficaces.
Vers une meilleure compréhension des matériaux
« Il y a beaucoup de science des matériaux et de physique cachées dans chacune de ces images et des téraoctets de données sont produits chaque jour dans les installations et les laboratoires du monde entier », indique Niaz Abdolrahim. « Développer un bon modèle pour analyser ces données peut vraiment aider à accélérer l’innovation matérielle, comprendre les matériaux dans des conditions extrêmes et développer des matériaux pour différentes applications technologiques. »
L’étude, dirigée par Jerardo Salgado, étudiant en doctorat en science des matériaux, offre des perspectives particulièrement prometteuses pour les expériences à haute densité d’énergie, comme celles menées au LLE par des chercheurs du Centre pour la matière à pressions atomiques. En examinant le moment précis où les matériaux sous des conditions extrêmes changent de phase, les scientifiques peuvent découvrir des moyens de créer de nouveaux matériaux et en apprendre davantage sur la formation des étoiles et des planètes.
Amélioration des modèles d’apprentissage profond
Le professeur Abdolrahim indique que le projet, financé par l’Administration de la sécurité nucléaire nationale du département de l’Énergie des États-Unis et la National Science Foundation, améliore les tentatives précédentes de développement de modèles d’apprentissage automatique pour l’analyse de la diffraction des rayons X qui ont été formés et évalués principalement avec des données synthétiques.
Niaz Abdolrahim, le professeur associé Chenliang Xu du département d’informatique, et leurs étudiants ont incorporé des données réelles provenant d’expériences avec des matériaux inorganiques pour former leurs modèles d’apprentissage profond.
En synthèse
Plus de données expérimentales d’analyse de la diffraction des rayons X doivent être rendues publiques pour aider à affiner les modèles, selon Abdolrahim. Elle indique que l’équipe travaille à la création de plateformes pour que d’autres puissent partager des données qui peuvent aider à former et à évaluer le système, le rendant ainsi encore plus efficace.
Pour une meilleure compréhension
Qu’est-ce que la diffraction des rayons X ?
La diffraction des rayons X est une technique utilisée pour étudier la structure des matériaux. Elle implique l’illumination d’un échantillon avec des rayons X et l’analyse des images diffractées qui en résultent.
Comment l’apprentissage profond peut aider à analyser les données de diffraction ?
L’apprentissage profond peut aider à analyser les volumes massifs de données générés par les expériences de diffraction des rayons X, accélérant ainsi l’innovation matérielle et la compréhension des matériaux dans des conditions extrêmes.
Quels sont les avantages de l’utilisation de l’apprentissage profond dans ce contexte ?
L’utilisation de l’apprentissage profond dans l’analyse des données de diffraction des rayons X peut aider à découvrir de nouveaux matériaux, à comprendre les matériaux dans des conditions extrêmes et à développer des matériaux pour différentes applications technologiques.
Quels sont les défis associés à l’utilisation de l’apprentissage profond dans ce contexte
Un des défis majeurs est le besoin de plus de données expérimentales d’analyse de la diffraction des rayons X pour aider à affiner les modèles d’apprentissage profond.
Quelles sont les prochaines étapes pour cette recherche ?
Les chercheurs travaillent à la création de plateformes pour que d’autres puissent partager des données qui peuvent aider à former et à évaluer le système, le rendant ainsi encore plus efficace.
Références
Légende illustration principale : « Un matériau sur une plaque d’image de diffraction de rayons X de poudre est analysé à l’Omega Laser Facility du Laboratory for Laser Energetics de l’université de Rochester. Les scientifiques développent des modèles d’apprentissage profond pour analyser les quantités massives de données produites par ces expériences. (Photo du laboratoire d’énergétique laser de l’université de Rochester / Danae Polsin et Gregory Ameele) »
Article « Deep learning supercharges data analysis for X-ray diffraction » publié dans npj Computational Materials par l’équipe de chercheurs de l’Université de Rochester. https://doi.org/10.1038/s41524-023-01164-8
