Farklı malzemelerin özelliklerini anlamak, malzeme tasarımında önemli bir adımdır. X-ışını absorpsiyon spektroskopisi (XAS), bir malzemenin bileşimi, yapısı ve işlevsel özellikleri hakkında ayrıntılı bilgiler ortaya çıkardığı için bunun için önemli bir tekniktir. Teknik, yüksek enerjili bir X-ışını ışınını bir numuneye yönlendirerek ve farklı enerji seviyelerindeki X-ışınlarının nasıl emildiğini kaydederek çalışır.
Beyaz ışığın prizmadan geçtikten sonra gökkuşağına dönüşmesine benzer şekilde, XAS farklı enerjilere sahip bir X-ışını spektrumu üretir. Spektral veri olarak adlandırılan bu spektrum, bir malzemenin benzersiz bir parmak izi gibi davranarak bilim adamlarının malzemede bulunan elementleri tanımlamasına ve atomların nasıl düzenlendiğini görmesine yardımcı olur. “Elektronik durum” olarak bilinen bu bilgi, malzemelerin işlevsel özelliklerini belirler.
Bor bileşikleri yarı iletkenlerde, Nesnelerin İnterneti (IoT) cihazlarında ve enerji depolamada önemli uygulamalara sahiptir. Bu malzemelerdeki atomik modifikasyonlar, yapısal kusurlar, safsızlıklar ve katkılı elementlerin her biri, spektral verilerde benzersiz, karmaşık varyasyonlar üretir. Bu varyasyonların ayrıntılı analizleri, elektronik durumlarına ilişkin önemli bilgiler sağlar ve rasyonel malzeme tasarımı için çok önemlidir. Ancak geleneksel olarak bu tür analizler, özellikle büyük veri kümelerinin görsel olarak incelenmesi gerektiğinde, kapsamlı uzmanlık ve el emeği gerektiriyordu.
Önceki referans verilerinin eksikliği ve yorumların öznelliği, görevi daha da zorlaştırdı. XAS verileri ile temel malzeme özellikleri arasında açık ve objektif bir bağlantı kurabilecek otomatik bir yaklaşım geliştirmek, uzun süredir devam eden bir zorluktu.
Şimdi, Japonya’nın Tokyo Bilim Üniversitesi’nin (TUS) Malzeme Bilimi ve Teknolojisi Bölümü’nden Profesör Masato Kotsugi başkanlığındaki bir araştırma ekibi, bu hedefe yönelik umut verici bir adım attı. Her ikisi de TUS’tan olan ve çalışmayı yöneten Bayan Reika Hasegawa ve Dr. Arpita Varadwaj, birlikte, XAS verilerini analiz etmek için otomatik yapay zeka (AI) tabanlı bir yaklaşım geliştirdiler.
Prof. Kotsugi, “Makine öğrenimi gibi yapay zeka tabanlı veri odaklı yöntemler, ölçüm verilerini verimli bir şekilde analiz etmek ve yorumlamak için güçlü araçlar olabilir ve objektif içgörüler sağlayabilir” diye açıklıyor. Araştırma dergide yayımlandı Bilimsel Raporlar.
Ekip ilk olarak farklı atom yapılarına sahip bor nitrürün (BN) üç farklı fazı ve bunların kusur analogları için XAS verilerini üretti. XAS verileri, temel fiziğe dayalı teorik hesaplamalar kullanılarak oluşturuldu ve deneysel veriler kullanılarak doğrulandı.
Bu verileri analiz etmek için ekip daha sonra boyut azaltmayı kullanan makine öğrenme tekniklerini kullandı. Bu yöntemde, çok değişkenli oldukça karmaşık veriler, yalnızca temel özellikleri yakalanarak temel öğelerine indirgenir. Bir veri kümesinin binlerce değişkene sahip olabildiği XAS’ta makine öğrenimi, bilim adamlarının malzemelerin elektronik durumlarını gerçekten yansıtan kalıplara odaklanmasına yardımcı olur.
Prof. Kotsugi’nin açıkladığı gibi, “XAS verilerinin altında yatan fizik yalnızca birkaç matematiksel hesaplamayla açıklanabilir.”
Ekip dört makine öğrenimi yöntemini test etti: Temel Bileşen Analizi (PCA), Çok Boyutlu Ölçekleme (MDS), t-dağıtımlı Stokastik Komşu Gömme (t-SNE) ve Tekdüzen Manifold Yaklaşımı ve Projeksiyonu (UMAP).
Bunların arasında UMAP, karmaşık spektral verileri farklı atomik yapılara ve kusurlara göre sınıflandırmada olağanüstü derecede iyi performans gösterdi. Yalnızca küresel eğilimleri belirlemekle kalmadı, aynı zamanda aşamalar ve kusur türleri arasındaki ince farkları da tespit edebildi.
Geçerliliğini doğrulamak için araştırmacılar, gürültü ve değişkenlik varlığına rağmen UMAP tarafından türetilen sınıflandırmalarla yakından eşleşen deneysel XAS verilerini kullanarak bu sonuçları karşılaştırdılar. Bu, bu yöntemin gürültüye ve deneysel koşulların getirdiği değişikliklere karşı dayanıklı olduğunu göstermektedir.
Prof. Kotsugi, “Bulgularımız, UMAP’ın karmaşık deneysel spektral verileri kullanarak hızlı, ölçeklenebilir, otomatik ve daha da önemlisi objektif malzeme tanımlaması için değerli bir araç olabileceğini gösteriyor” diyor.
Bu çalışmanın, ekibin önceki istatistiksel benzerliğe dayalı yaklaşımıyla karşılaştırıldığında daha gelişmiş bir yöntemi temsil etmesi dikkat çekicidir. Bu yöntem doğru olsa da, bu yeni yapay zeka tabanlı yöntem daha da yüksek doğruluk sergiliyor ve elektronik durumlardaki anlamlı değişiklikleri de ortaya çıkarabiliyor.
Çalışmanın etkisini vurgulayan Prof. Kotsugi şöyle diyor: “Metodumuz otonom yapısal tanımlamanın potansiyelini gösteriyor, veriye dayalı malzeme tasarımı ve yeni malzemelerin geliştirilmesi için yeni olanaklar açıyor.”
Yapay zeka tabanlı yaklaşım halihazırda farklı deneysel veri kümelerine uygulanmıştır. Yakın gelecekte bu yaklaşım Nano-Terasu sinkrotron radyasyon merkezinde yazılım olarak uygulamaya konulacaktır. İleriye bakıldığında, bu yenilikçi yapay zeka tabanlı yaklaşım, yeni malzemelerin geliştirilmesini hızlandıracak, yarı iletkenler, kataliz ve enerji depolama gibi temel alanları geliştirerek daha sürdürülebilir bir gelecek inşa etmeye yardımcı olacak.
