В ЮФУ разработали методику, позволяющую с высокой точностью наблюдать изменения структуры материалов в ходе технологических процессов

Коллектив ученых Южного федерального университета разработал методику суперкомпьютерного анализа больших данных, получаемых в ходе экспериментов на установках мега-сайенс – источниках синхротронного излучения. Это позволяет с высокой точностью наблюдать изменения структуры материалов (в том числе, золота) в ходе реальных технологических процессов.

Источники синхротронного излучения сегодня формируют мощную исследовательскую инфраструктуру для проведения исследований и разработок в области наук о материалах. С использованием синхротронов исследователи со всего мира изучают не только строение и свойства отдельного материала, но и создают новые уникальные материалы, управляют их свойствами и функциональными характеристиками, влияют на протекающие в них процессы, в том числе, на взаимодействие созданных веществ с биологическими тканями, оптимизируя их действие на раковые опухоли, вирусы и позволяя создавать новые методики диагностики.

В свою очередь, развитие исследований и разработок с использованием источников синхротронного излучения потребовало поиска ранее неизвестных эффектов и разработки совершенно новых технологий. Сегодня ученые могут проводить рентгеновские эксперименты по исследованию материалов и их свойств с временным разрешением в фемтосекунду (это миллионная часть от миллиардной части секунды).

С ростом технологических возможностей синхротронов возрастают и объемы получаемых в ходе экспериментов данных. Обработка больших данных после экспериментов занимает у исследователей не один месяц, а полученные результаты не всегда позволяют сделать окончательный вывод с требуемой достоверностью.

Группа исследователей ЮФУ (Международного исследовательского института интеллектуальных материалов и Института математики, механики и компьютерных наук имени И. И. Воровича) стала одной из первых в мире, кто решил применить технологии машинного обучения и искусственного интеллекта к анализу большого объема данных, получаемых в ходе экспериментов на источниках синхротронного излучения.

«Мы разрабатываем материалы для применения в области катализа (ускорения химических реакций) и хранения энергии. Чтобы контролировать процесс синтеза на каждой его стадии, мы применяем рентгеновскую и оптическую спектроскопию. Так, методы машинного обучения позволяют проводить диагностику данных в режиме реального времени. Наша работа существенно повышает достоверность и точность анализа получаемых в ходе экспериментов данных», – рассказал научный руководитель направления ЮФУ Александр Солдатов.

В рамках одного из разделов исследования при оптимизации характеристик наночастиц редких металлов, например золота, учеными ЮФУ была создана база данных, содержащая большое количество теоретических спектров для различных типов наночастиц. Алгоритм машинного обучения искал численные и аналитические зависимости между структурой наночастиц (диаметр, длина) и характерными деталями спектра (положения максимумов, площади пиков и другое).

izluchenie1_0.png

Авторы впервые оценили точность предсказания размеров и формы наночастиц золота по оптическим спектрам и разработали методику анализа смесей наночастиц разного размера. Создание подобной методики анализа оптических данных с применением технологий машинного обучения позволит существенно ускорить разработку новых материалов.

Отметим, что исследования на научных установках мега-класса в области материаловедения для наукоемких производственных технологий выделены как ключевое направление Федеральной научно-технической программы развития синхротронных и нейтронных исследований на 2019–2027 годы.

Разработкой ученых ЮФУ уже заинтересовались представители Европейского центра синхротронных исследований ESRF, которые планируют развивать систему онлайн-диагностики состояния синтезируемых материалов.

Работа опубликована в журнале J. Phys. Chem. C и поддержана Минобрнауки России в рамках государственного задания в сфере научной деятельности.

Пожалуйста, оцените статью:
Ваша оценка: None Средняя: 5 (4 votes)
Источник(и):

Naked Science