Spectra-based Neural Networks for Uncovering Novel Substances in Material Discovery Experiments

Analysetechniken wie die Röntgenbeugung (XRD) und die Raman-Spektroskopie sind für die Untersuchung von Materialien, Molekülen und anderen Objekten in Größenordnungen jenseits der menschlichen Wahrnehmung von entscheidender Bedeutung. Diese Methoden sind unverzichtbar, um sowohl bekannte als auch noch nicht entdeckte Stoffe fundamental zu verstehen und zu bewerten. Die im Rahmen der XRD oder Raman-Spektroskopie aufgenommen Daten werden typischerweise als "Spektren" bezeichnet und zeigen einen Intensitätsverlauf in Abhängigkeit von einer variablen Messgröße. In diesen Messungen zeigen die verschiedenen Substanzen einzigartige Muster, ähnlich eines Fingerabdrucks. ... mehrDementsprechend lässt sich das Vorhandensein verschiedener Materialien festellen, in dem ihre Fingerabdrücke in den gemessenen Daten nachgewiesen werden.

Da die Nachfrage nach Stoffen mit verbesserten Eigenschaften, z.B. für leistungsfähigere Batterien, Antibiotika ohne Resistenzen oder leichtgewichtige Infrastrukturmaterialien, steigt, liegt der Fokus zunehmend auf der Erforschung von verschiedenen Materialsystemen. Infolgedessen wurden Hochdurchsatzsysteme mit integrierter Robotik entwickelt, um die Herstellung und Untersuchung neuer Materialien und Moleküle zu beschleunigen, welche alle mit Hilfe der oben genannten Techniken analysiert werden. Zur Analyse der Messungen werden jedoch hauptsächlich Methoden eingesetzt, welche manuelle Handhabung erfordern oder das Vorhandensein von Referenzdaten voraussetzen und deswegen die Erforschung der Substanzen oft ausbremsen.

Als Alternative, präsentiert diese Arbeit ein umfangreiches Konzept, welches die Analyse von XRD Mustern und Raman Spektren mittels Einsatz von künstlichen neuronalen Netzwerken automatisiert. Dieses Konzept beinhaltet einen flexiblen Ansatz zur Simulation von exemplarischen Daten, der die Fingerabdrücke der zu untersuchenden Materialien exakt widerspiegelt. Anschließend wird das neuronale Netz mit Hilfe der simulierten Daten darauf trainiert, die Materialien in den experimentellen Messungen zu erkennen. Die Effektivität dieses Konzepts wird durch seine Anwendung auf drei verschiedene experimentelle Datensätze demonstriert, die jeweils die Herstellung verschiedener Materialien untersucht. Die Ergebnisse zeigen, dass die neuronalen Netze eine schnelle und akkurate Auswertung der gemessenen Signale ermöglichen, obwohl sie auf simulierten Daten trainiert wurden. Darüber hinaus wird die Flexibilität dieses Konzepts hervorgehoben, da es in der Lage ist, Messungen zu analysieren, die mit verschiedenen Messkonfigurationen aufegenommen wurden, ohne, dass eine Anpassung der Methoden notwenig ist. Das entwickelte System lässt sich dementsprechend problemlos in bestehende Hochdurchsatzsysteme integrieren und bietet das Potenzial, die Entdeckung neuer Materialien erheblich zu beschleunigen.

Analytical techniques such as X-ray diffraction (XRD) and Raman spectroscopy are crucial for studying materials, molecules, and other objects at scales beyond human vision. These methods are indispensable for understanding and assessing both known and yet-to-be-discovered substances. They generate one-dimensional intensity patterns, often referred to as "spectra", and each substance has a unique pattern, much like a fingerprint. By examining these patterns, often a combination of fingerprints from known materials and molecules, one can accurately determine a sample's composition. ... mehrAs the demand for substances with enhanced properties, e.g., more efficient batteries, antibiotics resistant to bacterial adaptation, or lightweight infrastructure materials, grows, there is an increasing focus on exploring material compositions to unearth novel discoveries. Consequently, high-throughput systems integrated with robotics have emerged to expedite the production and study of new materials and molecules, all of which are analyzed using the techniques mentioned before. However, the reliance on manual adjustments in traditional methods of analyzing spectra and diffraction patterns frequently becomes a bottleneck in the evaluation process.

Accordingly, a novel framework is introduced that addresses the bottleneck of analyzing XRD patterns and Raman spectra, employing a neural network for automated data analysis. This framework includes a versatile data simulation approach that accurately represents the materials under investigation. Utilizing this synthetic data, the neural network is trained to identify novel materials within experimental signals. The effectiveness of this framework is demonstrated through its application to three distinct experimental datasets, each focused on the formation of different materials. The results highlight that the high predictive quality of the models trained on synthetic data effectively translates to the analysis of measured signals. Moreover, the flexibility of this framework is emphasized, as it is capable of analyzing scans from various measurement modalities without the need to alter the training data generation or model training methodologies. This developed framework is readily available for integration into existing high-throughput systems, offering the potential to expedite the discovery of new materials significantly.