Artificiële intelligentie leert materialen herkennen

Heb je er ooit bij stilgestaan dat de dagdagelijkse technologieën die ons omringen, zoals bijvoorbeeld de batterij of processor in je smartphone, een ontwerp hebben dat zo verfijnd is dat elk atoom op de juiste plek moet zitten? Beeld je dan eens in dat je de onderzoeker bent die dit effectief moet nagaan… Vervelend werkje, gelukkig kan je hiervoor nu gebruik maken van artificiële intelligentie!

Computers die leren zoals jij en ik?

De spectaculaire mogelijkheden van artificiële intelligentie (AI) systemen zoals Chat-GPT en DALL-E zullen haast niemand ontgaan zijn het voorbije jaar. Het zal dus ook niet verbazen dat AI ook in de wetenschap revolutionaire resultaten boekt. Moderne AI-systemen bestaan uit zogenaamde neurale netwerken, die hun inspiratie vonden in de werking van de menselijke hersenen. Deze neurale netwerken leren een taak uitvoeren a.d.h.v. voorbeelden, in plaats van expliciet voorgeprogrammeerde algoritmes te gebruiken. Deze computersystemen worden dus nooit uitdrukkelijk verteld hoe ze een taak moeten aanpakken, maar leren dit zelf door vele voorbeelden met oplossing te observeren. Om een krachtig AI-systeem te bouwen heb je twee zaken nodig: een voldoende krachtige computer (ja hoor, die waarop je dit leest is krachtig genoeg!) en een gigantische hoeveelheid gemarkeerde data, waarvan je AI-systeem kan leren. Als je een toepassing kan bedenken waarvoor nog geen AI-oplossing bestaat, dan komt dit zeer waarschijnlijk door een gebrek aan het laatste.

Waarom moet een computer materialen herkennen?

Het karakteriseren van materialen is een cruciale en alledaagse praktijk in de ontwikkeling van nieuwe technologieën zoals bijvoorbeeld batterijen, processoren of koolstof-opvang. Het verzamelen van ruwe data over nieuwe of ongekende materialen gaat steeds sneller en vereist steeds minder tussenkomst van een menselijke operator. Natuurlijk wordt het ook steeds belangrijker om deze grote hoeveelheden ruwe data automatisch te verwerken tot bruikbare informatie. Dit is waar AI-systemen zo goed van pas komen.

Wat wordt er nu net bedoeld met “een materiaal herkennen”? Er valt heel wat te vertellen over elk materiaal, zoals bijvoorbeeld uit welke chemische elementen het bestaat of welke structuur het heeft. De vraag die je wil beantwoorden bepaalt ook meteen welke techniek het best geschikt is voor het onderzoek van het materiaal. Er bestaat een immens gamma aan potentiële technieken, gaande van chemische of mechanische testen tot licht- of elektronenmicroscopie. De vraag die dit nieuwe AI-systeem beantwoordt is: Wat is de chemische samenstelling van mijn materiaal? Om deze vraag te beantwoorden moeten we met de elektronenmicroscoop aan de slag.

Een natuurlijke barcode voor elk atoom

De elektronenmicroscoop is een bijzonder krachtig toestel voor het bestuderen van materialen op de allerkleinste schaal. Het idee erachter is enigszins vergelijkbaar met de microscoop die je kent vanop de schoolbanken. Door te kijken met elektronen i.p.v. met zichtbaar licht kunnen vergrotingen behaald worden zo sterk dat zelfs individuele atomen te zien zijn! Verder wordt chemische informatie over het materiaal bekomen door het opmeten van de energie van deze elektronen, dit noemt men spectroscopie. Een spectrum opgemeten met spectroscopie kan beschouwd worden als een natuurlijke barcode die de chemische samenstelling van het onderzocht materiaal bevat. Een getraind onderzoeker kan deze natuurlijke barcode vertalen naar de chemische samenstelling, maar omdat de mens beperkt is in tijd en snelheid, neemt AI het nu over.

Voorbeeld van een spectrum, waar de twee witte strepen de aanwezigheid van titanium onthullen.

Waar haal je voldoende oefening?

Een groot aantal gevarieerde voorbeelden waaruit je AI-systeem kan leren is één van de meest cruciale benodigdheden, maar vaak ook de moeilijkste om te realiseren. Online zijn enkele honderden goede voorbeelden van spectra te vinden, maar dan is er nog een lange weg te gaan tot aan de vereiste honderdduizenden. Ook het zelf opmeten van zo veel data is onbegonnen werk. Gelukkig brengt de gewone computer hierbij redding. Het is niet eenvoudig om zonder AI-systeem een spectrum – m.a.w. een natuurlijke barcode – te vertalen naar de chemische samenstelling van het materiaal. Het is echter wel eenvoudig om voor een gekozen materiaal een voorbeeld van zo’n spectrum te berekenen. Er kan dus een opmerkelijk tweerichtingsverkeer opgezet worden: eerst laat je een gewone computer de natuurlijke barcode van een materiaal berekenen, en dan laat je het AI-systeem proberen deze barcode terug te vertalen naar het materiaal. De gewone computer kan dan de pogingen van het AI-systeem corrigeren, en zo wordt die laatste slimmer. Als alles goed gaat wordt je AI-systeem dan slim genoeg om ook echte experimentele spectra te vertalen!

Oefening baart kunst

Het is niet vanzelfsprekend dat een AI-systeem getraind met gesimuleerde data ook goed presteert op echte data uit experimenten. Dit zal enkel zo zijn wanneer de gesimuleerde dataset voldoende realistisch is. Gelukkig voldoet de gesimuleerde dataset aan deze voorwaarde en presteert het resulterende AI-systeem goed in de echte wereld. Als we het AI-systeem een onbekend materiaal voorschotelen, dan heeft het een precisie en gevoeligheid van 88%. De precisie vertelt ons dat van 100 elementen die de AI als aanwezig bestempelt, er gemiddeld 88 daadwerkelijk aanwezig zijn. De gevoeligheid vertelt ons dat van 100 aanwezige elementen, de AI er gemiddeld 88 kan vinden.

Atomen inkleuren

Dit artikel werd geopend met de bewering dat een AI-systeem de mens kan helpen door een materiaal atoom per atoom te bestuderen. Figuur 2 toont een voorbeeld van de resultaten die dit in de praktijk levert. Helemaal links in figuur 2 zie je een elektronenmicroscopie-beeld van een materiaal met een vergroting sterk genoeg om individuele atomen te onderscheiden. De schaalbalk is 1 miljardste van een meter! Elke pixel in dit beeld heeft een eigen natuurlijke barcode. De kleurplaatjes tonen de posities van de chemische elementen gevonden door het AI-systeem. Dergelijke volledig automatische materiaalkarakterisatie vormt een beloftevol hulpmiddel voor onderzoek in de materiaalkunde en nanotechnologie. Hoewel dit verhaal misschien ver van je bed lijkt, beïnvloedt dit soort technologie sterk onze toekomst. Dankzij AI-versnelde ontdekkingen krijgen we straks efficiëntere smartphonebatterijen, duurzamere huizen en geavanceerdere medische hulpmiddelen. Het vormt de stille revolutie die ons dagelijks leven binnenkort zal raken.

Automatische aanduiding van elementen met behulp van het nieuwe AI-systeem.