La difracción de rayos X (XRD) es una técnica experimental para discernir la estructura atómica de un material irradiándolo con rayos X en diferentes ángulos. Esencialmente, la intensidad de los rayos X reflejados aumenta en ángulos de irradiación específicos, produciendo un patrón de picos de difracción. Un XRD sirve como huella digital para un material, ya que cada sustancia produce un patrón único. En investigación y desarrollo, los cambios en los XRD se utilizan para identificar las posiciones y cantidades de elementos adicionales que deben agregarse para ajustar un material para ayudar a mejorar una propiedad funcional deseada, por ejemplo, la eficiencia del almacenamiento de energía en las baterías.
Sin embargo, los cambios máximos en XRD son apenas perceptibles para los humanos. Esto dificulta determinar las características y la relevancia de los diferentes picos para la caracterización del material. Con este fin, un grupo de investigadores japoneses, dirigido por el profesor Ryo Maezono del Instituto Avanzado de Ciencia y Tecnología de Japón (JAIST), aplicó una técnica de aprendizaje profundo llamada ‘autocodificador’ al problema para encontrar regularidades ocultas en XRD que podrían ayudar a acelerar el desarrollo de nuevos materiales funcionales. El equipo de investigación también incluyó al profesor asociado Kenta Hongo y al profesor asistente Kousuke Nakano de JAIST. Su trabajo ha sido publicado en Teoría avanzada y simulaciones.
Al explicar los fundamentos de la técnica del codificador automático, el profesor Maezono dice: «La técnica del codificador automático captura características de datos expresándolas como puntos en un plano bidimensional (espacio de características). Según su dispersión, los puntos se agrupan para información de grano grueso. El codificador automático comprime la dimensión de los datos y puede capturar de manera eficiente el análisis de patrones XRD multifacético en un plano bidimensional».
Usando una red neuronal, los investigadores aplicaron el codificador automático a 150 patrones XRD de aleaciones magnéticas con diferentes concentraciones. En el espacio de características, cada XRD se proyecta en un solo punto. Estos puntos forman grupos, en los que materiales similares con concentraciones de constituyentes similares se colocan más juntos. Por lo tanto, la distancia entre los puntos en el espacio característico permite la estimación de la concentración de cualquier aleación de muestra dada. Esto también permite el ajuste fino de las aleaciones mediante la identificación indirecta de los picos XRD que cambian cuando se agregan nuevos elementos a una aleación o se modifican las proporciones de sus elementos constituyentes.
Los investigadores propusieron además una aplicación novedosa del espacio de características. Cuando se enmascara un pico de interés en el patrón XRD original, el punto en el espacio de características cambia. El alcance del cambio ayuda a distinguir qué tan relevante es un pico para capturar las propiedades de un material. Usando esta técnica, los investigadores pudieron identificar qué pico es realmente relevante para ser observado para estimar la cantidad de dopaje, etc., algo que no podría haber sido predicho por un ser humano pero que se reveló usando Deep Learning.
Los investigadores también propusieron la aplicación del codificador automático para la generación de patrones XRD artificiales mediante la interpolación de los existentes para manejar pequeños cambios en las composiciones de las aleaciones. El enfoque generaría conjuntos de datos plausibles, evitando simulaciones ab initio computacionalmente costosas.
«Los resultados de esta investigación no se limitan a los patrones máximos de XRD. Más bien, proporcionan una técnica general de aprendizaje profundo que se puede usar para extraer características de los datos de ciencia de materiales. Su marco puede encontrar regularidades ocultas en la naturaleza que no son identificables por humanos y se espera que sirva como una poderosa herramienta para el descubrimiento de teoremas a través de la ciencia de datos», dice el profesor Maezono.
La aplicación del codificador automático descrito podría acelerar el desarrollo de materiales de alta eficiencia, bajo costo y bajo impacto ambiental, marcando el comienzo de una nueva era de investigación en ciencia de materiales basada en el aprendizaje profundo.
Fuente de la historia:
Materiales proporcionado por Instituto Avanzado de Ciencia y Tecnología de Japón. Nota: el contenido se puede editar por estilo y longitud.
