Kunstmatige intelligentie (AI) transformeert elk wetenschappelijk gebied, van biologie tot materiaalwetenschap. Als het gaat om sommige soorten röntgenexperimenten, hebben nieuwe AI-benaderingen onderzoekers in staat gesteld om een ​​nauwkeurigere analyse van hun monsters te verkrijgen en dit in een veel kortere tijd.

Een groep onderzoekers van het Argonne National Laboratory van het Amerikaanse Department of Energy (DOE) gebruikt AI om de uitdagende taak uit te voeren om gegevens van röntgenexperimenten met hoge energie te analyseren. Met een nieuwe op neurale netwerken gebaseerde methode, BraggNN genaamd, kan het Argonne-team Bragg-pieken nauwkeuriger identificeren - gegevenspunten die posities en oriëntaties van kleine individuele kristallen aangeven - in een fractie van de tijd die ze vroeger deden.

Neurale netwerken (de NN in BraggNN) zijn algoritmen die naar patronen in gegevens zoeken en na verloop van tijd resultaten leren voorspellen, waardoor de analyse van die gegevens wordt versneld.

"BraggNN geeft ons veel meer efficiëntie en snelheid dan conventionele technieken", zegt Antonino Miceli van Argonne, een auteur op het papier en een groepsleider bij de Advanced Photon Source (APS), een DOE Office of Science gebruikersfaciliteit in Argonne.

In de afgelopen jaren is een techniek die hoge-energiediffractiemicroscopie (HEDM) wordt genoemd, een van de meest populaire manieren geworden die wetenschappers gebruiken om gecompliceerde materialen nauwkeurig te karakteriseren met een hoge resolutie. Hoewel HEDM een grote verbetering is gebleken ten opzichte van conventionele technieken, kan het ook duur en tijdrovend zijn. Het omvat het verzamelen van enorme datasets, analyse van miljoenen Bragg-diffractiepieken en reconstructie van het monster met behulp van die pieken.

De op handen zijnde upgrade van de APS zal naar verwachting de snelheid van HEDM-gegevensacquisitie enorm verbeteren tot een minuut of minder. Maar de rekentijd om de analyse van meerdere Bragg-pieken te voltooien, kan oplopen tot uren of weken, zelfs met de grootste supercomputers. Dergelijke vertragingen vertragen niet alleen het onderzoek, ze verhinderen ook het gebruik van HEDM-informatie om experimenten te sturen. Wetenschappers die bijvoorbeeld bestuderen hoe scheuren in materialen ontstaan, kunnen de geanalyseerde gegevens gebruiken om in realtime bij te houden waar die scheuren ontstaan.

Om deze uitdagingen aan te gaan, wendden de onderzoekers van het APS zich tot AI om de piekanalyse van Bragg te versnellen en te stroomlijnen. De conventionele methode omvat het gebruik van een 2D- of 3D-model en het aanpassen van de piekgegevens daarop, maar het nieuwe model van het onderzoeksteam kan de piekposities rechtstreeks uit de gegevens bepalen.

"Conventionele methoden werken als het passen van een pak bij een kleermaker", zegt Argonne, computerwetenschapper Hemant Sharma, een auteur van het onderzoek. "Eerst moet je een geschatte vorm passen en daarna de pasvorm aanpassen. Met onze techniek, met behulp van een neuraal netwerk, is het alsof je direct het perfecte pak genereert uit slechts een foto van een persoon."

Nadat het model was getraind op gegevens die diffractiepieken bevatten, waren de onderzoekers in staat om de analyse drastisch te versnellen en de nauwkeurigheid te verbeteren. "De echte prestatie is dat we piekbepalingen veel sneller hebben gedaan en ook subpixelnauwkeurigheid hebben geleverd - de gouden standaard voor het maken van bruikbare conclusies", zegt Argonne-computerwetenschapper Zhengchun Liu, de eerste auteur van het artikel.

De geavanceerde rekenmethoden die door BraggNN worden gebruikt, zijn vooral bevorderlijk voor gebruik op een grafische verwerkingseenheid (GPU)-chip, wat de prestaties verder helpt versnellen.

Het team gebruikte het ThetaGPU-systeem in de Argonne Leadership Computing Facility (ALCF), een DOE Office of Science gebruikersfaciliteit en het Cerebras AI-platform op het ALCF AI Testbed om het model snel te trainen.

Een paper op basis van de studie werd gepubliceerd in het Journal of the International Union of Crystallography . + Verder verkennen

Nu in 3D:Deep learning-technieken helpen bij het visualiseren van röntgengegevens in drie dimensies