Model AI-NERD belajar menghasilkan sidik jari unik untuk setiap sampel data XPCS. Memetakan sidik jari dari kumpulan data eksperimen yang besar memungkinkan identifikasi tren dan pola berulang yang membantu pemahaman kita tentang bagaimana material berevolusi. Kredit: Laboratorium Nasional Argonne
Para peneliti di Laboratorium Nasional Argonne telah mengembangkan teknik baru menggunakan sinar-X. foton spektroskopi korelasi dan kecerdasan buatan untuk menganalisis bahan.
Metode ini menghasilkan “sidik jari” material yang terperinci, yang ditafsirkan oleh AI untuk mengungkap informasi baru tentang dinamika material. Pendekatan ini, yang dikenal sebagai AI-NERD, memanfaatkan teknologi tanpa pengawasan pembelajaran mesin untuk mengenali dan mengklasifikasikan sidik jari ini, meningkatkan pemahaman tentang perilaku material dalam berbagai kondisi.
Seperti halnya manusia, material berevolusi seiring waktu. Material juga berperilaku berbeda saat ditekan dan direlaksasikan. Ilmuwan yang ingin mengukur dinamika perubahan material telah mengembangkan teknik baru yang memanfaatkan spektroskopi korelasi foton sinar-X (XPCS), kecerdasan buatan (AI), dan pembelajaran mesin.
Inovasi Identifikasi Material dengan AI
Teknik ini menciptakan “sidik jari” dari bahan-bahan yang dapat dibaca dan dianalisis oleh jaringan saraf untuk menghasilkan informasi baru yang sebelumnya tidak dapat diakses oleh para ilmuwan. Jaringan saraf adalah model komputer yang membuat keputusan dengan cara yang mirip dengan otak manusia.
Dalam studi baru oleh para peneliti di Advanced Photon Source (APS) dan Center for Nanoscale Materials (CNM) di Laboratorium Nasional Argonne milik Departemen Energi AS (DOE), para ilmuwan telah memasangkan XPCS dengan algoritma pembelajaran mesin tanpa pengawasan, suatu bentuk jaringan saraf yang tidak memerlukan pelatihan ahli. Algoritma tersebut belajar sendiri untuk mengenali pola yang tersembunyi dalam susunan sinar-X yang dihamburkan oleh koloid—kelompok partikel yang tersuspensi dalam larutan. APS dan CNM adalah fasilitas pengguna Kantor Sains DOE.
“Tujuan AI hanyalah memperlakukan pola hamburan sebagai gambar atau foto biasa dan memprosesnya untuk mengetahui pola mana yang berulang. AI adalah ahli dalam pengenalan pola.”
— James (Jay) Horwath, Laboratorium Nasional Argonne
Kompleksitas dalam Data Hamburan Sinar-X
“Cara kita memahami bagaimana material bergerak dan berubah seiring waktu adalah dengan mengumpulkan data hamburan sinar-X,” kata peneliti pascadoktoral Argonne James (Jay) Horwath, penulis pertama penelitian tersebut.
Pola-pola ini terlalu rumit untuk dideteksi oleh para ilmuwan tanpa bantuan AI. “Saat kami menyinarinya dengan sinar-X, polanya sangat beragam dan rumit sehingga sulit bagi para ilmuwan untuk memahami artinya,” kata Horwath.
Agar para peneliti dapat lebih memahami apa yang mereka pelajari, mereka perlu meringkas semua data menjadi sidik jari yang hanya berisi informasi terpenting tentang sampel. “Anda dapat menganggapnya sebagai genom material, yang memiliki semua informasi yang diperlukan untuk merekonstruksi gambaran utuh,” kata Horwath.
AI-NERD: Memetakan Sidik Jari Material
Proyek ini disebut Kecerdasan Buatan untuk Dinamika Relaksasi Non-Ekuilibrium, atau AI-NERD. Sidik jari dibuat menggunakan teknik yang disebut autoencoder. Autoencoder adalah jenis jaringan saraf yang mengubah data gambar asli menjadi sidik jari — yang oleh para ilmuwan disebut representasi laten — dan yang juga mencakup algoritma dekoder yang digunakan untuk beralih dari representasi laten kembali ke gambar penuh.
Tujuan para peneliti adalah mencoba membuat peta sidik jari material, mengelompokkan sidik jari dengan karakteristik serupa ke dalam lingkungan. Dengan melihat secara holistik fitur lingkungan sidik jari yang berbeda pada peta, para peneliti dapat lebih memahami bagaimana material terstruktur dan bagaimana mereka berevolusi seiring waktu saat mereka diberi tekanan dan relaksasi.
AI, secara sederhana, memiliki kemampuan pengenalan pola umum yang baik, sehingga dapat secara efisien mengkategorikan berbagai gambar sinar-X dan mengurutkannya ke dalam peta. “Tujuan AI adalah memperlakukan pola hamburan sebagai gambar atau foto biasa dan memprosesnya untuk menemukan pola yang berulang,” kata Horwath. “AI adalah ahli dalam pengenalan pola.”
Penggunaan AI untuk memahami data yang tersebar akan sangat penting saat APS yang ditingkatkan mulai beroperasi. Fasilitas yang ditingkatkan akan menghasilkan sinar-X yang 500 kali lebih terang daripada APS asli. ”Data yang kami peroleh dari APS yang ditingkatkan akan membutuhkan kekuatan AI untuk memilahnya,” kata Horwath.
Upaya Kolaboratif dalam Simulasi Dinamika Material
Kelompok teori di CNM berkolaborasi dengan kelompok komputasi di divisi Ilmu Sinar-X Argonne untuk melakukan simulasi molekuler dari dinamika polimer yang ditunjukkan oleh XPCS dan kemudian menghasilkan data sintetis untuk melatih alur kerja AI seperti AI-NERD.
Sebuah makalah berdasarkan penelitian ini diterbitkan pada tanggal 15 Juli di Komunikasi Alami.
Referensi: “AI-NERD: Penjelasan dinamika relaksasi di luar keseimbangan melalui spektroskopi korelasi foton sinar-X yang diinformasikan AI” oleh James P. Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric M. Dufresne, Miaoqi Chu, Subramanian KRS Sankaranarayanan, Wei Chen, Suresh Narayanan dan Mathew J. Cherukara, 15 Juli 2024, Komunikasi Alami.
Nomor Identifikasi Penduduk: 10.1038/s41467-024-49381-z
Penelitian ini didanai melalui hibah penelitian dan pengembangan yang diarahkan oleh Argonne Laboratories.
Penulis studi ini meliputi James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan, dan Mathew Cherukara dari Argonne. Chen dan He memegang jabatan bersama di Universitas Chicagodan Sankaranaryanan memegang jabatan bersama di Universitas Illinois Chicago.
NewsRoom.id
