结晶学伴随剂用于高通量材料的发现
Phillip M Maffettone1,2, Lars Banko3, Peng Cui4
1National Synchrotron Light Source II, Brookhaven National Laboratory, Upton, NY, USA. pmaffetto@bnl.gov.
Nature computational science
|January 13, 2024
概括
这项研究引入了一项人工智能驱动的程序,用于自主X射线衍射 (XRD) 数据分析,加速新材料的发现. 人工智能伴侣提高了准确性,并节省了研究人员在材料表征方面的大量时间.
科学领域:
- 材料科学 材料科学 材料科学
- 晶体学 晶体学是指结晶学.
- 人工智能的人工智能
背景情况:
- 材料发现严重依赖相位识别,主要是通过X射线衍射 (XRD).
- 目前的XRD分析方法是手动的,缓慢的,并且阻碍了与机器人科学家等自动化系统的集成.
- 扩展XRD分析是具有挑战性的,因为它耗时且容易出现错误的性质.
研究的目的:
- 开发一种人工智能驱动的计算机程序,用于自主描述X射线衍射 (XRD) 数据.
- 为了使XRD分析能够集成到自主机器人系统中,以加速材料发现.
- 克服传统手动XRD分析技术的局限性.
主要方法:
- 使用从结构数据库中获得的物理准确合成数据集训练一个整体AI模型.
- 使用概率分类来缓解传统神经网络中出现的过度自信问题.
- 开发一种旨在协助研究人员进行XRD数据分析的AI代理.
主要成果:
- 使用XRD数据证明了各种有机和无机材料的成功自主表征.
- 人工智能代理显著提高了准确性,并为研究人员节省了大量的时间.
- 人工智能系统克服了手动XRD分析的局限性,实现了可扩展性.
结论:
- 开发的AI程序促进了XRD数据的自主表征,这对于新材料的发现至关重要.
- 这种人工智能驱动的方法与反向设计和机器人发现系统兼容.
- 该方法适用于其他表征技术,如光谱学和对分布函数分析.
