Các nhà khoa học phát triển thuật toán mới có thể cung cấp thông tin chi tiết về sự ăn mòn của pin

Các nhà khoa học phát triển thuật toán mới có thể cung cấp thông tin chi tiết về sự ăn mòn của pin

    Các nhà khoa học phát triển thuật toán mới có thể cung cấp thông tin chi tiết về sự ăn mòn của pin
    bởi Phòng thí nghiệm Quốc gia Argonne

    Scientists develop new algorithm that may provide insights into battery corrosion
    Sơ đồ cấu trúc mạng nơron của mô hình AutoPhaseNN trong quá trình đào tạo. a) Mô hình bao gồm CNN 3D và mô hình chuyển tiếp tán xạ tia X. CNN 3D được triển khai với một bộ mã hóa tự động tích tụ và hai bộ giải mã giải mã bằng cách sử dụng các lớp đệm tích tụ, gộp tối đa, lấy mẫu tăng và không. Kiến thức vật lý được thực thi thông qua các chức năng kích hoạt Sigmoid và Tanh ở các lớp cuối cùng. b) Mô hình thuận chiều tán xạ tia X bao gồm mô hình số của nhiễu xạ và các ràng buộc về hình dạng ảnh. Nó lấy biên độ và pha từ đầu ra CNN 3D để tạo thành hình ảnh phức tạp. Sau đó, hình ảnh nhiễu xạ ước tính thu được từ FT của ước tính hiện tại của hình ảnh không gian thực. Ảnh: npj Vật liệu tính toán (2022). DOI: 10.1038 / s41524-022-00803-w
    Các nhà nghiên cứu Argonne đã tạo ra một kỹ thuật tự động có thể lấp đầy những khoảng trống trong dữ liệu X-quang.

    Xếp hình cùng nhau là một hoạt động tuyệt vời cho một buổi chiều chủ nhật mưa. Nhưng quá trình có phần khó khăn hơn để lắp ráp nhanh các câu đố ghép hình khoa học 3D — cấu trúc nguyên tử của các vật liệu khác nhau — gần đây đã trở nên dễ dàng hơn rất nhiều, nhờ nghiên cứu mới ghép chùm tia X công suất cao với các phương pháp tính toán tiên tiến.

    Các nhà nghiên cứu tại Phòng thí nghiệm Quốc gia Argonne của Bộ Năng lượng Hoa Kỳ (DOE) đã phát triển một kỹ thuật mới giúp tăng tốc độ giải các cấu trúc vật chất từ ​​các mẫu được phát hiện trong các thí nghiệm tia X. Kỹ thuật này cho phép các nhà nghiên cứu nghiên cứu các tính chất nhất định, chẳng hạn như ăn mòn hoặc sạc và xả pin, trong thời gian thực.

    Kỹ thuật này được gọi là AutoPhaseNN dựa trên một phương pháp được gọi là học máy, đào tạo một thuật toán trên một số dữ liệu thử nghiệm nhất định và sau đó sử dụng nó để chọn kết quả có khả năng xảy ra nhất của thử nghiệm hiện tại. Dữ liệu được sử dụng trong trường hợp này được tạo ra bằng cách chiếu chùm tia X siêu mịn từ Nguồn Photon Nâng cao (APS) của Argonne lên một vật liệu và thu nhận ánh sáng khi chúng bật ra, một quá trình gọi là nhiễu xạ. APS là một cơ sở sử dụng của Văn phòng Khoa học DOE tại Argonne.

    Các kỹ thuật mới rất quan trọng vì APS đang trong quá trình nâng cấp lớn, điều này sẽ làm tăng độ sáng của chùm tia X lên tới 500 lần. Điều này có nghĩa là nhiều dữ liệu hơn sẽ được thu thập nhanh hơn khi APS được nâng cấp trực tuyến vào năm 2024 và các nhà khoa học sẽ cần một cách để theo kịp việc phân tích dữ liệu đó. Các giải pháp học máy như AutoPhaseNN sẽ là một phần quan trọng trong các phân tích dữ liệu nhanh hơn cần thiết trong tương lai tại APS, cũng như các cơ sở tương tự trên toàn cầu.

    AutoPhaseNN là một ví dụ về máy học "không giám sát", có nghĩa là thuật toán máy tính học hỏi từ kinh nghiệm của chính nó về cách thực hiện tính toán chính xác và hiệu quả hơn mà không cần phải được đào tạo với các giải pháp được gắn nhãn đã được tìm ra, một quy trình thường liên quan đến sự can thiệp của con người.

    Nhà khoa học máy tính Argonne và trưởng nhóm Mathew Cherukara, tác giả của nghiên cứu, cho biết: “Thuật toán mới này về cơ bản có thể giải quyết cái mà chúng tôi gọi là một bài toán nghịch đảo, từ các mảnh ghép để tạo ra chính câu đố đó. "Về bản chất, chúng tôi đang thực hiện một tập hợp các quan sát và cố gắng xác định các điều kiện đã tạo ra chúng. Thay vì giải câu đố bằng cách lặp lại quá trình thử nghiệm và sửa đổi dựa trên kiến ​​thức trước đó, thuật toán của chúng tôi sẽ lắp ráp câu đố từ các mảnh vỡ trong một bước duy nhất. "

    Để có được thông tin về cấu trúc của một vật liệu đòi hỏi các nhà khoa học phải thu được thông tin không chỉ liên quan đến biên độ của tín hiệu nhiễu xạ mà còn cả pha của nó. Tuy nhiên, biên độ, hoặc cường độ, là phần duy nhất có thể được đo trực tiếp.

    Bởi vì các chùm tia X được sử dụng để chiếu sáng mẫu là nhất quán - nghĩa là ban đầu chúng đều chia sẻ cùng một pha - bất kỳ sự thay đổi nào đối với pha xảy ra do nhiễu xạ đều có thể được ánh xạ trở lại chính mẫu, nhà khoa học nano Argonne và cộng sự cho biết tác giả Henry Chan.

    Tác giả chính Yudong Yao, một nhà vật lý tia X của Argonne tại thời điểm nghiên cứu này cho biết: "Việc thu hồi pha là điều cần thiết để hiểu cấu trúc — hầu hết thông tin liên quan được tìm thấy trong pha". "Với loại nhiễu xạ mà chúng tôi đang làm, nhận được thông tin về pha là một thách thức; nó giống như việc tìm ra cách tất cả các mảnh ghép lại với nhau chỉ dựa trên màu sắc mà bạn có thể thấy trên mỗi mảnh."

    Đối với các mạng nơ-ron thông thường, có giám sát để giải quyết vấn đề nghịch đảo này, các nhà nghiên cứu sẽ phải ghép các "câu đố hỏng" với các ví dụ được lắp ráp hoàn chỉnh để mạng nơ-ron có thứ gì đó để luyện tập. Với mạng nơ-ron không được giám sát, thuật toán có thể học cách ghép câu đố lại với nhau chỉ từ những mảnh vỡ. Mạng kết quả nhanh, chính xác và (không giống như các phương pháp thông thường) có khả năng cung cấp hình ảnh 3D trong thời gian thực cho người dùng khoa học của các cơ sở như APS.

    Một bài báo dựa trên nghiên cứu được xuất bản trên npj Computational Materials.

    Zalo
    Hotline