MARC

 008250123s2024        us                              c    eng  d
■001000017164844
■00520250211153054
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346385042
■035    ▼a(MiAaPQ)AAI31643373
■035    ▼a(MiAaPQ)Stanfordsg415nc8104
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620.11
■1001  ▼aChitturi,  Sathya  Ranjan.
■24510▼aData-Driven  Techniques  for  Materials  Characterization  and  Intelligent  Experimental  Design  at  Advanced  Scattering  Facilities
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a211  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  A.
■500    ▼aAdvisor:  Dunne,  Mike;Dionne,  Jennifer.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aThis  dissertation  addresses  the  need  to  accelerate  materials  discovery,  particularly  within  the  context  of  advanced  scattering  facilities.  The  complexity  of  materials  discovery  arises  from  vast  design  space  sizes,  the  need  to  achieve  multiple  simultaneous  property  requirements,  and  the  limitations  of  ab  initiotheory  leading  to  the  necessity  of  performing  time-consuming  and  expensive  synthesis  and  characterization  experiments.  Advanced  X-ray  and  neutron  scattering  facilities  often  play  a  key  role  in  this  materials  design  process,  but  now  face  challenges  such  as  exploding  data  rates  due  to  improvements  in  sources,  detectors,  and  increased  experimental  complexity.  This  work  focuses  on  developing  methodology  to  enable  closed-loop  materials  discovery  at  advanced  scattering  facilities.  Specifically,  data-driven  techniques  are  introduced  for  the  task  of  real-time  analysis  of  scattering  experiments  and  to  guide  materials  experiments  towards  specific  objectives.Real-time  analysis,  often  a  challenging  bottleneck  for  closed-loop  systems,  is  addressed  through  the  design  of  methods  for  solving  inverse  scattering  problems  using  supervised  statistical  learning.  Emphasis  is  placed  on  using  simulated  data  derived  from  physics-based  forward  models  to  aid  in  scattering  analysis,  as  well  as  on  the  rational  architectural  design  of  supervised  learning  models  to  incorporate  inductive  biases  that  align  with  experimental  data.  Key  frameworks  introduced  in  this  dissertation  include  automatic  unit-cell  estimation  from  powder  X-ray  di↵raction  (PXRD)  patterns,  real-time  photon  assignment  and  contrast  extraction  for  X-ray  Photon  Fluctuation  Spectroscopy  (XPFS),  and  robust  Hamiltonian  parameter  inference  from  inelastic  neutron  scattering  (INS)  data.Furthermore,  the  dissertation  presents  novel  methods  for  experimental  materials  design,  adapting  the  recently  proposed  Bayesian  algorithm  execution  (BAX)  approach  to  frame  materials  discovery  as  the  task  of  locating  relevant  regions  of  a  design  space  aligned  with  specific  experimental  goals.  This  methodology  o↵ers  an  automated  way  to  convert  complex  experimental  objectives  into  intelligent,  goalaligned  data  acquisition  strategies,  allowing  for  addressing  tasks  that  are  impossible  or  impractical  under  current  methods.  The  SwitchBAX  data  acquisition  strategy,  formulated  in  this  dissertation,  achieves  state-of-the-art  performance  on  datasets  for  TiO2nanoparticle  synthesis  and  magnetic  materials  characterization,  and  should  generally  be  applicable  for  any  compound  discovery  task  involving  complex  synthesis  protocols,  long  data  acquisition  times,  or  limited  sample  quantities.Ultimately,  this  research  helps  enable  closed-loop  discovery  at  national  facilities,  o↵ering  ecient  solutions  for  accelerating  materials  research  and  discovery.
■590    ▼aSchool  code:  0212.
■650  4▼aMaterials  science
■650  4▼aSpectrum  analysis
■650  4▼aNeutrons
■650  4▼aFourier  transforms
■650  4▼aNeural  networks
■650  4▼aPandemics
■650  4▼aMathematics
■650  4▼aPoint  defects
■650  4▼aLarge  language  models
■650  4▼aX-rays
■650  4▼aParameter  estimation
■650  4▼aAnalytical  chemistry
■650  4▼aAtomic  physics
■650  4▼aDesign
■650  4▼aEpidemiology
■650  4▼aOptics
■690    ▼a0794
■690    ▼a0405
■690    ▼a0486
■690    ▼a0800
■690    ▼a0748
■690    ▼a0389
■690    ▼a0766
■690    ▼a0752
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-05A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164844▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서