Att exakt förstå materialens egenskaper är en nyckelfaktor för att designa avancerade material med önskade funktioner.
Röntgenabsorptionsspektroskopi (XAS) är en kraftfull teknik som möjliggör insikter i materialens kemiska sammansättning, atomära struktur och elektroniska tillstånd – fundamentala parametrar som styr deras funktionalitet. Genom att studera hur högenergetiska röntgenstrålar absorberas i olika energinivåer får man fram ett spektrum, ett slags unikt ”fingeravtryck” som kan avslöja både vilka element som finns närvarande och hur deras atomer är arrangerade.
Trots dess potential har tolkningen av XAS-data länge varit en utmaning, särskilt för komplexa material som borföreningar. Dessa används inom viktig teknik såsom halvledare, IoT-enheter och energilagring, där variationer i atomstruktur, defekter och dopning ger upphov till subtila men betydelsefulla skillnader i spektraldata. Tidigare krävde analysen expertkunskap och manuellt arbete, ofta med subjektiva tolkningar och utan bra referensdatabaser.
Ett innovativt genombrott presenterades nyligen av forskarteamet vid Tokyo University of Science under ledning av professor Masato Kotsugi. Genom att kombinera fysikalisk modellering med artificiell intelligens (AI) har de utvecklat en automatiserad metod för att analysera och tolka XAS-data på ett objektivt och skalbart sätt. I centrum för detta arbete står maskininlärningstekniker som dimensionsreduktion, där mycket komplexa dataset – ofta med tusentals variabler – kondenseras till några få huvudsakliga komponenter som fångar materialets mest relevanta elektroniska egenskaper.
Teamet genererade noggrant XAS-data för tre olika faser av bornitrid (BN) och deras defektvarianter genom teoretiska beräkningar, verifierade mot experimentella mätningar. Därefter testade de fyra olika algoritmer: Principal Component Analysis (PCA), Multidimensional Scaling (MDS), t-distributed Stochastic Neighbor Embedding (t-SNE) och Uniform Manifold Approximation and Projection (UMAP). Av dessa visade sig UMAP vara överlägsen när det gällde att klassificera data enligt både atomstruktur och defekttyper, samtidigt som den kunde identifiera såväl globala trender som subtila skillnader.
Källa: Professor Masato Kotsugi från Tokyo University of Science, Japan
En särskilt imponerande aspekt är UMAP:s robusthet mot experimentella brus och variationer, vilket bekräftades genom matchande klassificering av teoretiska och experimentella data. Detta stärker förtroendet för att metoden fungerar i praktiska scenarier, där mätförhållanden aldrig är helt perfekta.
Forskarteamets nya AI-baserade metod betyder en stor förbättring jämfört med tidigare statistiska tillvägagångssätt, med högre noggrannhet och förmåga att avslöja meningsfulla variationer i elektroniska tillstånd. Den öppnar för autonom och objektiv materialidentifiering, vilket är ett viktigt steg mot datadriven materialdesign. Professor Kotsugi sammanfattar metoden som en möjlig game changer som kan snabba på utvecklingen av nya material som är avgörande för framtida teknologi och hållbarhet.
Redan nu implementeras metoden vid synkrotronstrålningscentret Nano-Terasu i Japan, och den förväntas inom kort accelerera forskning inom halvledare, katalys och energilagring. Denna studie markerar en stark uppmuntran till att integrera AI och maskininlärning inom materialvetenskap för att hantera komplexa analytiska utmaningar och driva innovation i nya riktningar.
För forskare och materialdesigners innebär detta en ny, kraftfull verktygslåda för att objektivt och effektivt tolka röntgenabsorptionsspektroskopi – och därigenom förstå och skapa de material som formar vår teknologiska framtid.
Mer information: Automatiserad klarläggning av kristall- och elektronstrukturer i bornitrid från röntgenabsorptionsspektra med hjälp av enhetlig manifoldapproximation och projektion, Scientific Reports (2025). DOI: 10.1038/s41598-025-18580-z
