L’intelligenza artificiale decifra le “nuvole” del rivelatore per accelerare la ricerca sui materiali
I raggi X possono essere utilizzati come una fotocamera superveloce a risoluzione atomica e se i ricercatori scattano una coppia di impulsi di raggi X a pochi istanti di distanza, ottengono istantanee a risoluzione atomica di un sistema in due punti nel tempo. Il confronto di queste istantanee mostra come un materiale fluttua in una minuscola frazione di secondo, il che potrebbe aiutare gli scienziati a progettare le future generazioni di computer, comunicazioni e altre tecnologie super veloci.
Risolvere le informazioni in queste istantanee a raggi X, tuttavia, è difficile e richiede molto tempo, quindi Joshua Turner, uno scienziato capo presso lo SLAC National Accelerator Center del Dipartimento dell’Energia e la Stanford University, e altri dieci ricercatori si sono rivolti all’intelligenza artificiale per automatizzare il processo . Il loro metodo di apprendimento automatico, pubblicato il 17 ottobre in Structural Dynamics , accelera questa tecnica di sondaggio a raggi X e la estende a materiali precedentemente inaccessibili.
“La cosa più eccitante per me è che ora possiamo accedere a una gamma diversa di misurazioni, cosa che prima non potevamo”, ha detto Turner.
Gestire il blob
Quando si studiano i materiali utilizzando questa tecnica a due impulsi, i raggi X disperdono un materiale e di solito vengono rilevati un fotone alla volta. Un rivelatore misura questi fotoni sparsi, che vengono utilizzati per produrre un pattern maculato, un’immagine macchiata che rappresenta la configurazione precisa del campione in un istante nel tempo. I ricercatori confrontano i modelli di macchie di ciascuna coppia di impulsi per calcolare le fluttuazioni nel campione.
“Tuttavia, ogni fotone crea un’esplosione di carica elettrica sul rivelatore”, ha detto Turner. “Se ci sono troppi fotoni, queste nuvole di carica si uniscono per creare un blob irriconoscibile”. Questa nuvola di rumore significa che i ricercatori devono raccogliere tonnellate di dati di dispersione per ottenere una chiara comprensione del pattern delle macchie.
“Sono necessari molti dati per capire cosa sta succedendo nel sistema”, ha affermato Sathya Chitturi, Ph.D. studente alla Stanford University che ha guidato questo lavoro. È consigliato da Turner e dal coautore Mike Dunne, direttore del laser a raggi X Linac Coherent Light Source (LCLS) presso SLAC.
Con i metodi convenzionali, tutti i dati dovevano essere prima raccolti, quindi analizzati utilizzando modelli che stimano il modo in cui i fotoni si raggruppano al rivelatore, un processo lungo per comprendere i modelli di macchie.
Il metodo di apprendimento automatico, d’altra parte, utilizza l’immagine grezza del rivelatore di fotoni sparsi per estrarre direttamente le informazioni di fluttuazione. Questo nuovo metodo è dieci volte più veloce da solo e 100 volte più veloce se combinato con un hardware migliorato, consentendo l’analisi dei dati più vicino al tempo reale.
Parte del successo del nuovo metodo è venuto dagli sforzi del coautore Nicolas Burdet, uno scienziato associato presso lo SLAC che ha sviluppato un simulatore che ha prodotto dati con cui addestrare il modello di apprendimento automatico. Attraverso questa formazione, l’algoritmo è stato in grado di apprendere come si fondono le nuvole di carica e districare quanti fotoni colpiscono il rivelatore per blob e per coppia di impulsi. Il modello si è rivelato accurato anche in condizioni molto gonfie.
Vedere oltre le nuvole
Il modello può estrarre informazioni per una gamma di materiali che sono stati difficili da studiare perché i raggi X si disperdono su di essi in modo troppo debole per essere rilevati, come superconduttori ad alta temperatura o liquidi di spin quantistico. Chitturi ha affermato che il nuovo metodo potrebbe essere applicato anche ad altri materiali non quantistici, inclusi colloidi, leghe e vetri.
Turner ha affermato che la ricerca dovrebbe essere di aiuto per l’ aggiornamento di LCLS-II , che consentirà ai ricercatori di raccogliere fino a un milione di immagini, o pochi terabyte di dati, al secondo, rispetto a circa un centinaio di immagini al secondo per LCLS.
“A SLAC siamo entusiasti di questo aggiornamento, ma siamo anche preoccupati se siamo in grado di gestire questa quantità di dati”, ha affermato Turner. In un documento correlato , il team ha scoperto che la loro nuova tecnica dovrebbe essere abbastanza veloce da gestire tutti quei dati. “Questo nuovo algoritmo aiuterà davvero.”
L’aumento di velocità offerto dall’intelligenza artificiale promette di alterare anche il processo sperimentale stesso. Invece di prendere decisioni dopo la raccolta e l’analisi dei dati, i ricercatori saranno in grado di analizzare i dati e apportare modifiche durante la raccolta dei dati, il che potrebbe far risparmiare tempo e denaro spesi durante l’esperimento. Consentirà inoltre ai ricercatori di individuare sorprese e reindirizzare i loro esperimenti in tempo reale per indagare su fenomeni inaspettati.
“Questo metodo può farti esplorare più della scienza dei materiali che ti interessa e massimizzare l’impatto scientifico permettendoti di prendere decisioni in diversi punti dell’esperimento sui cambiamenti nelle variabili sperimentali come temperatura, campo magnetico e composizione del materiale”, Chitturi disse.
Lo studio fa parte di una più ampia collaborazione tra SLAC, Northeastern University e Howard University per utilizzare l’apprendimento automatico per far avanzare la ricerca sui materiali e sulla chimica.
La ricerca è stata finanziata dal DOE Office of Science e dal DOE Early Career Research Program. LCLS è una struttura utente del DOE Office of Science.
Citazione: Chitturi et al., Structural Dynamics , 17 ottobre 2022 ( 10.1063/4.0000161 )
TITOLO DELL’ARTICOLO
Un algoritmo di rilevamento dei fotoni di apprendimento automatico per l’analisi coerente della fluttuazione ultraveloce dei raggi X
