НИТУ МИСиС разработал метод анализа состава материалов с помощью машинного обучения
Специалисты НИТУ МИСиС предложили применять алгоритмы машинного обучения для ускорения расшифровки рентгенограмм и определения фаз кристаллической структуры материалов. Метод ориентирован прежде всего на переходные металлы и их оксиды, которые широко используются в промышленности, электронике, энергетике и производстве оборудования.
О разработке стало известно 10 апреля 2023 года. Автор метода - студент НИТУ МИСиС. Его подход позволяет прогнозировать состав материала на основе данных рентгеновской дифракции и тем самым сократить время, которое исследователь тратит на ручную интерпретацию результатов.
Зачем нужен автоматизированный анализ
Одним из главных инструментов современного материаловедения остается рентгенофазовый анализ. Во время исследования образец облучают рентгеновскими лучами, а специальное оборудование фиксирует характерную картину дифракции. По положению и интенсивности пиков специалисты определяют, какие кристаллические фазы присутствуют в веществе.
На практике расшифровка таких данных может быть сложной. В процессе изготовления материала, его обработки или непосредственно во время эксперимента появляются оксиды, побочные соединения и примеси. Они формируют дополнительные пики и способны затруднять идентификацию исходной фазы.
Особенно проблемными становятся случаи, когда несколько соединений имеют близкие кристаллические структуры. Их дифракционные картины могут быть похожи, поэтому даже опытному специалисту не всегда удается быстро и однозначно определить состав образца.
Как работает предложенный подход
Разработанный метод предполагает использование базы рентгенограмм, содержащей сведения о различных материалах и их фазах. Алгоритм сопоставляет экспериментальную дифрактограмму с накопленными данными и оценивает, какие соединения с наибольшей вероятностью присутствуют в образце.
Важную роль в анализе играет расчет площади пиков. Этот показатель позволяет оценивать интенсивность дифракционных сигналов не только по их высоте, но и по общей величине соответствующей области на графике. Благодаря этому алгоритм получает более информативные признаки для сравнения материалов.
Использование машинного обучения дает возможность автоматизировать часть рутинных операций. Исследователю не требуется вручную проверять большое количество вариантов и сопоставлять каждую линию с каталогом эталонных данных. Система может предварительно обработать результаты и сформировать перечень наиболее вероятных фаз для дальнейшей проверки.
Где может применяться технология
Переходные металлы и их оксиды востребованы в самых разных отраслях. Они входят в состав конструкционных материалов, защитных покрытий, катализаторов, компонентов электронных устройств и элементов энергетических установок.
Метод может быть полезен при контроле качества продукции, анализе сырья и изучении материалов после термической или химической обработки. В промышленности автоматизированная идентификация фаз способна ускорить поиск причин брака, обнаружение нежелательных соединений и проверку соответствия заданному составу.
В электронной промышленности такой анализ может применяться для исследования тонких пленок, функциональных покрытий и компонентов микроэлектроники. В химической отрасли он помогает контролировать процессы окисления и превращения веществ. Для транспортного машиностроения технология представляет интерес при проверке сплавов, защитных покрытий и деталей, работающих при высоких нагрузках.
Преимущества машинного обучения
Традиционная интерпретация рентгенограмм требует значительного опыта и времени. Специалисту приходится учитывать положение пиков, их интенсивность, возможное перекрытие сигналов и влияние примесей. Автоматизированная система способна быстро обработать массив данных и снизить вероятность пропуска слабых, но важных признаков.
Еще одно преимущество заключается в воспроизводимости анализа. При одинаковых входных данных алгоритм применяет одну и ту же процедуру оценки, тогда как результаты ручной расшифровки могут различаться в зависимости от квалификации исследователя и условий работы.
Машинное обучение также позволяет постепенно повышать точность модели. По мере накопления новых рентгенограмм и подтвержденных результатов база данных расширяется, а алгоритм получает больше примеров для обучения.
Ограничения метода
Полностью исключить ошибки новая технология не позволяет. Наиболее сложными остаются ситуации, в которых у близких фаз практически совпадают отдельные дифракционные признаки. Если кристаллические структуры материалов различаются незначительно, алгоритм может выбрать неверный вариант или не обеспечить однозначную идентификацию.
На итоговый результат влияет и техническое состояние дифрактометра. Погрешности настройки, изменение характеристик оборудования, шумы и особенности калибровки способны менять форму экспериментальной кривой. Значение имеют также предыдущие исследования на установке: остатки образцов или особенности измерительной системы могут создавать дополнительные сигналы.
Поэтому машинное обучение следует рассматривать как инструмент поддержки специалиста, а не как полную замену экспертного анализа. Наиболее надежный сценарий предполагает совместную работу алгоритма и материаловеда: программа формирует прогноз, а исследователь проверяет его с учетом условий эксперимента и особенностей образца.
Что необходимо для повышения точности
Для дальнейшего развития метода потребуется расширять обучающую выборку. В нее важно включать не только идеальные эталонные рентгенограммы, но и данные реальных промышленных образцов с примесями, дефектами, различной степенью кристалличности и неоднородным составом.
Полезным направлением станет учет параметров самого эксперимента. Информация о типе установки, режиме съемки, подготовке образца и характеристиках излучения поможет алгоритму корректнее сравнивать данные, полученные в разных лабораториях.
Перспективным является и объединение рентгенофазового анализа с другими методами исследования - например, спектроскопией, микроскопией и химическим анализом. Комплексная модель сможет сопоставлять несколько источников информации и точнее определять состав сложных материалов.
Внедрение таких систем особенно актуально для лабораторий, где ежедневно обрабатываются большие объемы измерений. Алгоритм может выполнять первичный скрининг, выявлять подозрительные образцы и передавать специалисту только те случаи, которые требуют детального изучения.
Таким образом, предложенный НИТУ МИСиС метод демонстрирует практический потенциал машинного обучения в материаловедении. Расчет площадей дифракционных пиков и сопоставление результатов с базой рентгенограмм способны ускорить идентификацию фаз, уменьшить число ошибок и повысить эффективность исследований. При этом окончательная надежность технологии будет зависеть от качества исходных данных, состояния оборудования и участия эксперта в проверке результата.
