ИИ автоматизирует анализ материалов с помощью данных рентгеновской спектроскопии

Ученые из Токийского университета науки разработали автоматизированный подход на основе искусственного интеллекта для анализа данных рентгеновской абсорбционной спектроскопии (XAS) — важного метода изучения состава, структуры и функциональных свойств материалов.

Ученые используют Uniform Manifold Approximation and Projection для анализа данных рентгеновской абсорбционной спектроскопии. Автор: профессор Масато Котсуги из Токийского университета науки

Традиционный анализ спектральных данных требовал значительной экспертизы и ручного труда, особенно при работе с большими наборами данных. Отсутствие эталонных данных и субъективность интерпретаций усложняли задачу.

Исследовательская группа под руководством профессора Масато Котсуги применила методы машинного обучения со снижением размерности для анализа данных XAS. Этот подход позволяет сократить тысячи переменных в спектральных данных до нескольких основных компонентов, отражающих ключевые особенности электронного состояния материалов.

Предложенный подход использует методы машинного обучения для автоматического анализа сложных данных XAS. Автор: профессор Масато Котсуги из Токийского университета науки

Команда протестировала четыре метода машинного обучения и обнаружила, что Uniform Manifold Approximation and Projection (UMAP) особенно эффективен для классификации сложных спектральных данных по различным атомным структурам и дефектам. Метод показал устойчивость к шуму и вариациям экспериментальных условий.

«Наши результаты показывают, что UMAP может быть ценным инструментом для быстрой, масштабируемой, автоматизированной и, что важно, объективной идентификации материалов с использованием сложных экспериментальных спектральных данных», — отмечает профессор Котсуги.

Новый метод уже применяется к различным экспериментальным наборам данных и в ближайшем будущем будет реализован в виде программного обеспечения в синхротронном центре Nano-Terasu. Этот подход ускорит разработку новых материалов для полупроводников, катализа и хранения энергии.

ИИ: В 2025 году такие разработки особенно актуальны, поскольку автоматизация анализа материалов может значительно ускорить создание новых технологий для устойчивого развития.