Создание более совершенных аккумуляторов, быстрой электроники и эффективных фармацевтических препаратов зависит от открытия новых материалов и проверки их качества. Искусственный интеллект помогает в этом процессе, используя инструменты для поиска в каталогах материалов и быстрой маркировки перспективных кандидатов.
Однако после изготовления материала проверка его качества всё ещё требует сканирования специализированными приборами для подтверждения характеристик — дорогостоящий и трудоёмкий этап, который может замедлить разработку и распространение новых технологий.
Новый инструмент на базе искусственного интеллекта, разработанный инженерами MIT, может помочь преодолеть узкие места в контроле качества, предлагая более быстрые и дешёвые варианты для некоторых отраслей, работающих с материалами.
В исследовании, опубликованном сегодня в журнале Matter, учёные представляют «SpectroGen» — генеративный инструмент искусственного интеллекта, который ускоряет возможности сканирования, действуя как виртуальный спектрометр. Инструмент принимает «спектры» или измерения материала в одном режиме сканирования, например, инфракрасном, и генерирует то, как этот материал будет выглядеть в другом режиме, например, рентгеновском.
Результаты, полученные с помощью искусственного интеллекта, совпадают с точностью 99% с результатами, полученными при физическом сканировании материала с помощью нового прибора.
Некоторые спектроскопические методы позволяют выявить специфические свойства материала: инфракрасное излучение показывает молекулярные группы материала, дифракция рентгеновских лучей визуализирует кристаллические структуры материала, а комбинационное рассеяние света освещает молекулярные колебания материала. Каждое из этих свойств важно для оценки качества материала и обычно требует кропотливой работы с несколькими дорогостоящими и различными приборами для измерения.
С помощью SpectroGen исследователи предполагают, что можно проводить разнообразные измерения с помощью одного и более дешёвого физического прибора. Например, производственная линия может осуществлять контроль качества материалов, сканируя их с помощью одной инфракрасной камеры. Полученные инфракрасные спектры затем можно загрузить в SpectroGen для автоматического создания рентгеновских спектров материала, при этом на заводе не требуется наличие и эксплуатация отдельной, часто более дорогой лаборатории рентгеновского сканирования.
Новый инструмент искусственного интеллекта генерирует спектры менее чем за одну минуту, что в тысячу раз быстрее по сравнению с традиционными подходами, которые могут занимать от нескольких часов до нескольких дней.
«Мы думаем, что вам не нужно проводить физические измерения во всех модальностях, которые вам нужны, а возможно, только в одной, простой и дешёвой модальности, — говорит соавтор исследования Лоза Тадессе, доцент кафедры машиностроения в MIT. — Затем вы можете использовать SpectroGen для генерации остальных данных. И это может повысить производительность, эффективность и качество производства».
Ведущий автор исследования — бывший научный сотрудник MIT Яньмин Чжу.
Группа Тадессе в MIT разрабатывает технологии, которые способствуют улучшению здоровья людей и планеты, разрабатывая инновации для применения в различных областях: от быстрой диагностики заболеваний до устойчивого сельского хозяйства.
«Диагностика заболеваний и анализ материалов обычно включают сканирование образцов и сбор спектров в различных режимах с помощью разных громоздких и дорогих приборов, которые вы не всегда найдёте в одной лаборатории, — говорит Тадессе. — Поэтому мы размышляли о том, как можно миниатюризировать всё это оборудование и как оптимизировать экспериментальный процесс».
Чжу отметил растущее использование генеративных инструментов искусственного интеллекта для открытия новых материалов и кандидатов в лекарства и задался вопросом, можно ли также использовать искусственный интеллект для генерации спектральных данных.
Для того чтобы искусственный интеллект генерировал спектральные данные, традиционный подход предполагает обучение алгоритма распознаванию связей между физическими атомами и особенностями материала, а также спектрами, которые они производят. Учитывая сложность молекулярных структур даже в одном материале, Тадессе говорит, что такой подход может быстро стать неразрешимым.
«Сделать это даже для одного материала невозможно, — говорит она. — Поэтому мы подумали: есть ли другой способ интерпретации спектров?»
Команда нашла ответ с помощью математики. Они поняли, что спектральный паттерн, представляющий собой последовательность сигналов, можно представить математически. Например, спектр, содержащий серию колоколообразных кривых, известен как «гауссово» распределение, которое связано с определённым математическим выражением, по сравнению с серией более узких волн, известных как «лоренцево» распределение, которое описывается отдельным, отличным алгоритмом.
И как оказалось, для большинства материалов инфракрасные спектры характерно содержат больше лоренцевых волновых форм, в то время как рамановские спектры более гауссовы, а рентгеновские спектры представляют собой смесь двух.
Тадессе и Чжу встроили математическую интерпретацию спектральных данных в алгоритм, который затем включили в генеративную модель искусственного интеллекта.
«Это физик-генеративный искусственный интеллект, который понимает, что такое спектры, — говорит Тадессе. — И ключевая новизна заключается в том, что мы интерпретировали спектры не как то, как они возникают из химических веществ и связей, а как математику — кривые и графики, которые инструмент искусственного интеллекта может понять и интерпретировать».
Команда продемонстрировала свой инструмент искусственного интеллекта SpectroGen на большом общедоступном наборе данных, содержащем более 6 000 образцов минералов. Каждый образец включает информацию о свойствах минерала, таких как его элементный состав и кристаллическая структура. Многие образцы в наборе данных также содержат спектральные данные в различных режимах, таких как рентгеновский, рамановский и инфракрасный.
Из этих образцов команда загрузила несколько сотен в SpectroGen, обучив инструмент искусственного интеллекта корреляциям между различными спектральными модальностями минерала. Это обучение позволило SpectroGen принимать спектры материала в одном режиме, например, в инфракрасном, и генерировать то, как должен выглядеть спектр в совершенно другом режиме, например, в рентгеновском.
После обучения исследователи загрузили в SpectroGen спектры минерала из набора данных, который не был включён в процесс обучения. Они попросили инструмент сгенерировать спектр в другой модальности на основе этого «нового» спектра. Полученные с помощью искусственного интеллекта спектры, как оказалось, были близки к реальным спектрам минерала, которые были первоначально записаны с помощью физического прибора.
«Мы можем загрузить спектральные данные в сеть и получить другой вид спектральных данных с очень высокой точностью менее чем за минуту», — говорит Чжу.
Команда говорит, что SpectroGen может генерировать спектры для любого типа минерала. В производственных условиях материалы на основе минералов, которые используются для изготовления полупроводников и аккумуляторных технологий, можно сначала быстро просканировать с помощью инфракрасного лазера. Спектры, полученные в результате инфракрасного сканирования, можно загрузить в SpectroGen, который затем сгенерирует спектр в рентгеновском режиме, который операторы или мультиагентная платформа искусственного интеллекта могут проверить для оценки качества материала.
«Я думаю об этом как о наличии агента или второго пилота, поддерживающего исследователей, техников, конвейеры и промышленность, — говорит Тадессе. — Мы планируем адаптировать это для нужд различных отраслей».
Команда изучает способы адаптации инструмента искусственного интеллекта для диагностики заболеваний и мониторинга сельского хозяйства в рамках предстоящего проекта. Тадессе также продвигает технологию в этой области через новый стартап и планирует сделать SpectroGen доступным для широкого спектра секторов: от фармацевтики до полупроводников и обороны.
Предоставлено Massachusetts Institute of Technology.