Mesterséges intelligencia segíti az anyagok mikroszerkezetének vizsgálatát

2023.01.04.
Mesterséges intelligencia segíti az anyagok mikroszerkezetének vizsgálatát
A kristályhibák mennyisége és a szemcsék mérete alapvetően határozzák meg az anyag tulajdonságait. Az ELTE fizikusainak új, gépi tanulás alapú módszere rendkívüli módon felgyorsítja a különböző kémiai összetételű minták vizsgálatát, így jelentősen hozzájárul új anyagok kifejlesztéséhez is.

Ha egy kristályos anyagot röntgensugárral világítunk meg, akkor a mintáról szóródó sugárzás bizonyos térbeli irányokban intenzitásmaximumokat ad, amelyeket röntgendiffrakciós csúcsoknak nevezünk. A röntgendiffrakciós csúcsok alakja tükrözi az anyag mikroszerkezetét, így azok analíziséből következtetni tudunk a mintát felépítő szemcsék méretére és a szemcsékben található kristályhibák mennyiségére.

1. ábra: Co10Cr14Fe27Ni49 összetételű kristályos mintáról kapott röntgendiffraktogram, amely az anyagról szórt röntgensugárzás intenzitását mutatja a K=2sinθ/λ mennyiség függvényében, ahol λ a röntgensugárzás hullámhossza és θ a szórás irányát jellemző szög.

A röntgenvonalprofil analízis hagyományos módszerével a mért csúcsokra elméletileg számolt függvényeket illesztenek, és a legjobban illeszkedő függvényből meghatározzák a mikroszerkezet jellemző paramétereit (például a szemcseméretet). Ez a módszer kis darabszámú minta esetén hatékonyan alkalmazható.

Új anyagok kifejlesztésénél azonban jelentős számú mintát kell megvizsgálni ahhoz, hogy a felhasználás szempontjából legoptimálisabb kémiai összetételű anyagot megtalálják. A nagyszámú mérés leggyorsabban szinkrotronnal végezhető el. A szinktrotron a részecsekegyorsítók egyik fajtája, amelyből mindössze 30-40 van a világon.

Ugyanakkor még gyors mérés esetén is probléma a mérések lassú kiértékelése: a hagyományos illesztéses módszerrel ugyanis az analízis ezer mérésnél egy hónapot is igénybe vehet. Ezt az időt rövidíti le néhány másodpercre az új, mesterséges intelligencián alapuló eljárás, amelyet az ELTE fizikusai, Nagy Péter doktorandusz és témavezetője, Gubicza Jenő egyetemi tanár, valamint Csabai István, a Komplex Rendszerek Fizikája Tanszék professzora dolgoztak ki, együttműködésben a svájci ETH egyetem kutatójával, Kaszás Bálinttal.

A gépi tanulás alapú röntgenvonalprofil analízis (angolul: machine learning-based X-ray line profile analysis, rövidítve: ML-XLPA) első lépéseként a kutatók készítettek egy szoftvert, amely különböző szemcseméretek és kristályhiba-mennyiségek esetére legyártotta az elméleti röntgendiffraktogramokat. Ezek alkották azt a tanulóhalmazt, amelyen a mesterséges intelligencia szoftver megtanulta a mikroszerkezeti paraméterek és a diffrakciós csúcsalakok közötti összefüggést.

Az elméleti tesztelés után a kutatók valódi mintán is kipróbálták az új módszert. Ez a svájci Empa kutatóintézetben (Swiss Federal Laboratories for Materials Science and Technology) előállított 10 cm átmérőjű, korong alakú Co-Cr-Fe-Ni kombinatorikus minta volt, amelynek felületén a négy kémiai elem koncentrációja a hely függvényében folyamatosan változott. A mintát Pethő László, Nagy Péter és Johann Michler állították elő.

2. ábra: A Co, Cr, Fe és Ni elemek koncentrációjának eloszlása a korong alakú minta felületén. A kémiai elemek vegyjelei a korong szélén a minta előállítása során alkalmazott porlasztásos eljárásban az alkotók forrásainak elhelyezkedését mutatják.

A minta felületének körülbelül 1000 pontjában történt diffrakciós mérés a hamburgi DESY szinkrotronban, a méréseket Hegedűs Zoltán végezte. A nagyszámú diffraktogramot a kutatók néhány másodperc alatt kiértékelték az új módszerrel, és így megkapták a mikroszerkezetet jellemző mennyiségek függését a kémiai összetételtől a négy kémiai elemből álló Co-Cr-Fe-Ni rendszerben.

Az eljárást egyelőre csak egyfajta kristályos szerkezetre, az ún. lapcentrált köbös atomi elrendezésre dolgozták ki, ezért a kutatók szeretnék továbbfejleszteni a módszert más típusú anyagokra is.

3. ábra: Az ML-XLPA módszerrel kapott szemcseméret (angolul: crystallite size) térkép azon a területen, ahol az anyag lapcentrált köbös szerkezetű.

A kutatás a Mesterséges Intelligencia Nemzeti Laboratórium támogatásával zajlott (RRF-2.3.1-21-2022-00004). Az új módszerről szóló publikáció a Nanomaterials című folyóiratban jelent meg.