AI för större kunskap på den lilla nivån

Egenskaper i material med nanostruktur är viktiga att förstå men svåra att förutsäga. I ett stort samarbetsprojekt mellan det nationella laboratoriet  MAX IV, RISE, AstraZeneca och Tetra Pak prövas hur machine learning och avancerad röntgen kan användas för att på ett effektivare sätt utreda och predicera egenskaperna hos olika material. Ambitionen är att AI-användningen som utvecklas i projektet även ska kunna användas för andra material och behov.

Ökad kunskap ger större kontroll

Tetra Pak och AstraZenecas produkter är av mycket olika karaktär, men materialen de jobbar med har det gemensamt att strukturer på nano- och mikronivå påverkar den slutliga produkten. Ökad kunskap på den lilla nivån ger bolagen ännu större kontroll vid tillverkning och användning. För Tetra Pak kan det handla om hur materialen beter sig vid olika förhållanden, till exempel när de utsätts för fukt. För AstraZeneca kan det vara kunskap om de material som bär läkemedelsmolekylerna, om det finns avvikelser i form eller storlek på nanonivå och vilken nivå av avvikelse som i så fall är acceptabel.  

I synkotronanläggningen Max IV som är placerat vid Lunds universitet är det möjligt att utforska material med en metod som kallas för SAXS, small angular x-ray scattering. Extremt ljusstarka röntgenstrålar interagerar med materialet. Strålarna sprids, olika beroende på ordningen i materialet, och spridningen fångas upp av en detektor. Kurvan som visas från detektorn innehåller värdefull information om materialets egenskaper på nano- till mikronivå.   

Projektet AI-SAXS utforskar möjligheter att använda machine learning för att tolka informationen i kurvorna.

Projektledare är Jerk Rönnols från RISE som är forskare inom kemisk analys och materialvetenskap förklarar att machine learning kan fungera som ett stöd i tolkningen av kurvorna.

SAXS samlar in väldigt mycket data, och för en människa är det svårt att tolka all information”, berättar Jerk Rönnols. Även erfarna forskare är tvungna att göra uppskattningar och testa mot olika modeller för att nå fram till resultat, vilket är tidskrävande och ibland inexakt.

Modellen som tas fram inom projektet kommer att tränas på syntetiska data och verkliga experimentella data. Genom att träna modellen på tusentals representativa modeller lär den sig att tolka verkliga prover. Ett av målen är att göra modellerna och arbetssättet så generaliserbara som möjligt. Både arbetsprocess och typ av neurala nätverk utvärderas i projektet för att hitta de bästa metoderna för skilda material.  

– Det kommer inte att vara möjligt att hitta en enda lösning som passar för alla, däremot kommer modellerna att kunna göra arbetet snabbare, bättre och mer effektivt, berättar Jerk Rönnols.

Ny kunskap kräver nya arbetssätt 

Samarbetet i projektet och mellan projektdeltagarna är viktigt för ett lyckat resultat. En postdoc från RISE är placerad hos MAX IV och jobbar nära AstraZeneca och Tetra Pak kring data och frågeställningar. För AstraZeneca och Tetra Pak blir projekten en möjlighet att utforska användningen av AI och machine learning i tillverkningsprocessen, både i projektet och genom vidareutbildning av medarbetare. För MaxIV och RISE ökar kunskapen om hur man kan tillämpa resultaten i produktionen. Resultatet från projektet ska också förenkla processen för andra bolag som arbetar med material med nanostruktur, och projektet följs med stort intresse hos flera nätverk inom området  

“Vi kommer in med olika expertkunskaper i projektet”, berättar Jerk Rönnols. “Målet är att få en gemensam förståelse utifrån våra olika perspektiv och att machine learning-modellen ska kunna användas i andra framtida projekt.”