Röntgendiffrakciós csúcsok alakjának gépi tanulásos kiértékelése

Témavezető:	Lukács András
	ELTE Matematikai Intézet, MI Kutatócsoport
email:	andras.lukacs@ttk.elte.hu

Projekt leírás

Új anyagok felfedezésének egyik modern módszere a kombinatorikus minta, ahol pontról pontra eltérő összetételek vizsgálhatók. Ezek szerkezetének feltérképezésére a leggyorsabb technika a röntgendiffrakció. A diffrakciós csúcsok alakja árulkodik az anyag mikroszerkezetéről, amely alapvetően meghatározza annak tulajdonságait. A módszer nehézsége, hogy az így kapható több ezer mintapont humán szakértői kiértékelése hónapokig tart. Ennek gyorsítására gépi/mély tanulás alapú röntgenvonalprofil analízis módszert szeretnénk kifejleszteni. A cél az, hogy a modell a korábban feldolgozott példákból megtanulja, hogy a különböző csúcsalakok milyen mikroszerkezeti paraméter kombinációkhoz tartoznak. Így aztán inferáláskor az ismeretlen anyag mikroszerkezetére tudjon következtetéseket adni, támogatva az összetételi könyvtárak gyors térképezését, azaz új anyagok hatékony felfedezését.
Eddig köbös kristályszerkezetű anyagokra sikerült kifejleszteni a ML-XLPA módszert. Ugyanakkor, az anyagok tekintélyes része nem köbös, hanem pl. hexagonális szerkezetű, amelyre már nem működik a köbös szerkezetű anyagokra kifejlesztett eljárás. Az eddigi módszer további korlátja, hogy a diffrakciós csúcsok zajossága nagyon elrontja a jóslás eredményességét.

Kutatási/fejlesztési feladatok
1. Gépi tanuláson alapuló röntgendiffrakciós vonalprofil módszer fejlesztése hexagonális szerkezetű anyagokra. A tanítóhalmaz szintetikus diffraktogramokból állna, amelyek különböző mikroszerkezeti paraméter kombinációk mérési eredményeit szoftveresen szimulálják. Ehhez jó kiindulást ad egy korábbi diffraktogram generáló program.
2. Kezelni kell a valódi mérésekben megjelenő jelenségeket: a diffrakciós csúcsok kis mértékű jobbra-balra ingadozását, egymáshoz képesti intenzitásának változását és a jelekre rakódó zajt.
3. Kellően pontos módszerrel valódi összetételi könyvtárak szerkezeti térképezése. Az így meghatározott nagy mennyiségű mikroszerkezeti paramétert és a hozzájuk kapcsolódó tulajdonságokat felhasználhatjuk a szerkezet-tulajdonság kapcsolat feltérképezésére is, valamint eddig nem vizsgált anyagi összetételek tulajdonságainak jóslására.

Közös témavezetés Gubicza Jenővel (ELTE TTK Anyagfizika Tanszék).

Előfeltételek

Jó programozási ismeretek Pythonban, előny jártasság a PyTorch használatában, vagy erős motiváció ezek elsajátítására. Képesség a szükséges angol nyelvű matematikai, fizikai és gépi/mélytanulásról szóló szakirodalom olvasására.

Hivatkozások

[1] Nagy, Péter, et al. "Machine learning-based characterization of the nanostructure in a combinatorial Co-Cr-Fe-Ni compositionally complex alloy film." Nanomaterials 12.24 (2022): 4407. pdf
[2] Kaszás, Bálint, Péter Nagy, and Jenő Gubicza. "DifFault: Simulation of diffraction patterns of faulted crystals." SoftwareX 27 (2024): 101860. pdf