Mesterséges intelligencia segíti az anyagok mikroszerkezetének vizsgálatát

A röntgenvonalprofil analízis hagyományos módszerével ezer darabos minta estében egy hónapig is eltarthat a kristályos anyagok mikroszerkezetének vizsgálata, az ELTE fizikusainak új, gépi tanuláson alapuló eljárása ezt az időt néhány másodpercre rövidíti le. A Mesterséges Intelligencia Nemzeti Laboratórium támogatásával zajlott kutatás eredményeit a Nanomaterials folyóiratban publikálták.

A kristályhibák mennyisége és a szemcsék mérete alapvetően határozzák meg az anyag tulajdonságait. Az ELTE fizikusainak új, gépi tanulás alapú módszere rendkívüli módon felgyorsítja a különböző kémiai összetételű minták vizsgálatát, így jelentősen hozzájárul új anyagok kifejlesztéséhez is.

Ha egy kristályos anyagot röntgensugárral világítunk meg, akkor a mintáról szóródó sugárzás bizonyos térbeli irányokban úgynevezett intenzitásmaximumokat ad, amelyeket röntgendiffrakciós csúcsoknak nevezünk. A röntgendiffrakciós csúcsok alakja tükrözi az anyag mikroszerkezetét, így azok analíziséből következtetni lehet a mintát felépítő szemcsék méretére és a szemcsékben található kristályhibák mennyiségére.

A röntgenvonalprofil analízis hagyományos módszerével a mért csúcsokra elméletileg számolt függvényeket illesztenek, és a legjobban illeszkedő függvényből meghatározzák a mikroszerkezet jellemző paramétereit (például a szemcseméretet). Ez a módszer kis darabszámú minta esetén hatékonyan alkalmazható, új anyagok kifejlesztésénél azonban jelentős számú mintát kell megvizsgálni ahhoz, hogy a felhasználás szempontjából optimális kémiai összetételű anyagot megtalálják. A nagyszámú mérés leggyorsabban szinkrotronnal végezhető el. A szinktrotron a részecsekegyorsítók egyik fajtája, amelyből mindössze 30-40 van a világon.

Ugyanakkor még gyors mérés esetén is probléma a mérések lassú kiértékelése: a hagyományos illesztéses módszerrel ugyanis az analízis ezer mérésnél egy hónapot is igénybe vehet. Ezt az időt rövidíti le néhány másodpercre az új, mesterséges intelligencián alapuló eljárás, amelyet az ELTE fizikusai, Nagy Péter doktorandusz és témavezetője, Gubicza Jenő egyetemi tanár, valamint Csabai István, a Komplex Rendszerek Fizikája Tanszék professzora dolgoztak ki, együttműködésben a svájci ETH egyetem kutatójával, Kaszás Bálinttal.

Illusztráció Forrás: Science Photo Library/SERGII IAREMENKO/SCIENCE PHOTO LIBRARY/Sergii Iaremenko/Science Photo L

A gépi tanulás alapú röntgenvonalprofil analízis (angolul: machine learning-based X-ray line profile analysis, rövidítve: ML-XLPA) első lépéseként a kutatók készítettek egy szoftvert, amely különböző szemcseméretek és kristályhiba-mennyiségek esetére legyártotta az elméleti röntgendiffraktogramokat. Ezek alkották azt a tanulóhalmazt, amelyen a mesterséges intelligencia szoftver megtanulta a mikroszerkezeti paraméterek és a diffrakciós csúcsalakok közötti összefüggést.

Az elméleti tesztelés után a kutatók valódi mintán is kipróbálták az új módszert. Ez a svájci Empa kutatóintézetben (Swiss Federal Laboratories for Materials Science and Technology) előállított 10 cm átmérőjű, korong alakú Co-Cr-Fe-Ni kombinatorikus minta volt, amelynek felületén a négy kémiai elem koncentrációja a hely függvényében folyamatosan változott. A mintát Pethő László, Nagy Péter és Johann Michler állították elő.

Hegedűs Zoltán a minta felületének körülbelül 1000 pontjában végzett diffrakciós mérést a hamburgi DESY szinkrotronban. A nagyszámú diffraktogramot a kutatók néhány másodperc alatt kiértékelték az új módszerrel, és így megkapták a mikroszerkezetet jellemző mennyiségek függését a kémiai összetételtől a négy kémiai elemből álló Co-Cr-Fe-Ni rendszerben. Az eljárást egyelőre csak egyfajta kristályos szerkezetre, az úgynevezett lapcentrált köbös atomi elrendezésre dolgozták ki, ezért a kutatók szeretnék továbbfejleszteni a módszert más típusú anyagokra is.