Iedereen weet dat de computer - een kunstmatige intelligentie (AI) -achtige entiteit - op een Star Trek-ruimteschip alles doet, van het zetten van thee tot het samenstellen van complexe analyses van fluxgegevens. Maar hoe worden ze gebruikt in echte onderzoeksfaciliteiten? Hoe kunnen AI-agenten - computerprogramma's die kunnen handelen op basis van een waargenomen omgeving - wetenschappers helpen bij het ontdekken van de volgende generatie batterijen of kwantummaterialen? Drie medewerkers van de National Synchrotron Light Source II (NSLS-II) beschreven hoe AI-agenten wetenschappers ondersteunen bij het gebruik van de onderzoekstools van de faciliteit. Als een gebruikersfaciliteit van het Amerikaanse Department of Energy (DOE) Office of Science in het Brookhaven National Laboratory van DOE, biedt NSLS-II zijn experimentele mogelijkheden aan wetenschappers van over de hele wereld die het gebruiken om de mysteries van materialen voor de technologie van morgen te onthullen.

Van het verbeteren van experimentele omstandigheden tot het verbeteren van de gegevenskwaliteit, Andi Barbour, Dan Olds, Maksim Rakitin en hun collega's werken aan verschillende AI-projecten bij NSLS-II. Een recente overzichtspublicatie in Digital Discovery schetst verschillende, maar niet alle, lopende AI-projecten in de faciliteit.

Eerste contact met AI

Terwijl films vaak AI-agenten laten zien als bewuste supercomputers die verschillende taken kunnen uitvoeren, verschillen echte AI-agenten sterk van dit beeld.

"Wat we bedoelen als we AI zeggen, is dat we een algoritme of een methode bedenken - in feite een wiskundig proces - dat iets voor ons gaat doen, zoals classificeren, analyseren of beslissingen nemen, maar we' Ik ga de logica niet hardcoderen", legt Olds uit, een natuurkundige die werkt aan een van de wetenschappelijke instrumenten van NSLS-II die een breed scala aan onderzoeksprojecten mogelijk maakt. De instrumenten bij NSLS-II worden bundellijnen genoemd omdat ze een combinatie zijn van een röntgenstraalsysteem en een experimenteel station.

Rakitin, een natuurkundige die gespecialiseerd is in het ontwikkelen van software voor het verzamelen of analyseren van gegevens bij NSLS-II, voegde toe:"In plaats van het programma - de AI-agent - een model te geven, bouwt het zijn eigen model door middel van training. Als we willen dat het een kat herkent , laten we het een kat zien in plaats van uit te leggen dat het een harig dier is met vier poten, puntige oren, een staart, enzovoort. Het programma moet zelf uitzoeken hoe het een kat kan identificeren."

Onderzoekers van faciliteiten zoals NSLS-II hebben twee belangrijke redenen om AI-agenten aan te passen aan hun behoeften:de enorme hoeveelheid gegevens en de complexiteit ervan. Twintig jaar geleden duurde het enkele minuten om een ​​gegevensbeeld, zoals een diffractiepatroon, van een batterij te maken. Nu, bij de bundellijn waar Olds werkt, kunnen ze dezelfde opname in een fractie van een seconde maken. Hoewel hierdoor meer onderzoek aan de bundellijn kan plaatsvinden, overtreft het de traditionele strategieën die worden gebruikt om de gegevens te analyseren.

Barbour, een chemisch fysicus, staat voor de tweede uitdaging, complexe gegevens, in haar werk dat dynamiek in kwantummaterialen bestudeert. Samen met haar medewerkers onderzoekt ze hoe de atomaire en elektronische orde in deze materialen onder wisselende omstandigheden evolueert.

"Als we experimenten doen op de bundellijn, zoeken we naar correlaties en patronen in de gegevens in de loop van de tijd. Dus als we één lang programma zouden moeten schrijven dat alle mogelijkheden van onze experimenten vastlegt, zou het ongelooflijk ingewikkeld, moeilijk te lezen, verschrikkelijk om te onderhouden en een nachtmerrie om te automatiseren. Maar een AI-tool kan leren hoe om te gaan met onze complexe gegevens zonder dat we elk detail aan de agent hoeven uit te leggen, "zei Barbour.

Betrek AI-agent voor optimalisatie

Maar voordat een experiment kan beginnen, moet de röntgenstraal worden voorbereid door de verschillende optische componenten in een bundellijn aan te passen. Met kleine maar precieze motoren kunnen de onderzoekers elk afzonderlijk onderdeel naar behoefte verplaatsen. Er zijn motoren die spiegels draaien om de röntgenstralen te geleiden, meer motoren die lenzen bewegen om het licht te focussen, en nog meer motoren die sleuven besturen om de straal vorm te geven. Samen vormen al deze onderdelen de perfecte röntgenstraal voor het experiment. Hoe beter de bundel bij het experiment past, hoe beter de datakwaliteit voor de onderzoekers. Het vinden van deze perfecte straal is echter niet eenvoudig. In feite noemen onderzoekers, zoals Rakitin, het een multidimensionaal optimalisatieprobleem.

"In plaats van elke motor voor elke dataset aan te passen, is ons project om een ​​AI-agent te ontwikkelen die de aanpassingen automatisch voor ons kan doen. Het doel is om het AI-programma de vorm en/of intensiteit van de straal te geven die we nodig hebben, en het zal uitzoeken hoe de positie van elke motor kan worden gewijzigd om dit te bereiken. Dit verkort de tijd om het experiment op gang te brengen aanzienlijk", zei Rakitin over een project gepresenteerd op de 14e Internationale Conferentie over Synchrotron Radiation Instrumentation (link naar procedure verwacht in oktober 2022).

Rakitin en zijn teamleden streven ernaar om een ​​virtuele bundellijn te creëren waarmee gebruikers de beste bundelomstandigheden voor hun experiment kunnen bepalen voordat ze bij de faciliteit aankomen. Om dat te bereiken, brengt hij het gedrag van elke motor in kaart met specifieke parameters die fysieke eigenschappen vertegenwoordigen, zoals spiegelstralen, in een simulatie van de bundellijn. De simulatie is ontwikkeld in een software genaamd Sirepo. Een eerste studie over dit idee werd in 2020 gepubliceerd in de SPIE-conferentieprocedure.

"Hoewel de gebruikers deze bundellijnsimulaties kunnen gebruiken om te leren hoe ze een bundellijn moeten uitvoeren, kunnen we ze ook gebruiken om nieuwe te plannen. We kunnen de simulatie voorbereiden op basis van de ontwerpen voor de bundellijn, zelfs voordat de fysieke stukken in elkaar zijn gezet. beamline klaar is, kunnen we beginnen met het mappingproces van de motoren naar de specifieke parameters in de simulatie," zei Rakitin.

Momenteel heeft NSLS-II 28 bundellijnen, maar de faciliteit kan ongeveer 30 extra bundellijnen ondersteunen. Rakitin verwacht dat een aantal nieuwe bundellijnen de tool zullen gebruiken tijdens het ontwikkelingsproces.

AI instellen om te verdoven

Een van die 28 bundellijnen is een röntgendiffractiebundellijn genaamd de Pair Distribution Function (PDF) bundellijn, waar Olds werkt. Het dient veel gebruikers voor structurele studies met een hoge doorvoer, gericht op het begrijpen van de structuur-eigenschapsrelaties in materialen van nieuwe batterijen tot "groen" cement. De steeds veranderende aard van onderzoeksvragen bij PDF daagt Olds uit in de zoektocht naar de beste meetstrategie voor elk experiment. Om de metingen te verbeteren, ontwikkelt Olds verschillende AI-agenten die gegevens bewaken, meten en analyseren, zoals een digitale laboratoriumassistent.

"De belangrijkste vraag die ons AI-werk drijft, is hoe we elk experiment optimaal kunnen gebruiken, omdat tijd bij een bundellijn een kostbare, beperkte hulpbron is. Zodra het experiment voorbij is, heb je alle tijd van de wereld om de gegevens te analyseren Maar tijdens het experiment is het van cruciaal belang om geen belangrijke verandering in uw materiaal te missen die van invloed kan zijn op de ontdekking die u probeert te doen. U wilt hulpmiddelen die u kunnen helpen betere beslissingen te nemen, zoals wanneer u een verwarmingshelling moet vertragen omdat u nadert een interessant datapunt, of u zelfs waarschuwen dat een meting eerder is voltooid dan verwacht. Dit is waar onze 'federatie' van AI-labassistenten in het spel komt. Ze monitoren de gegevens. Ze doen wat realtime analyse. Ze kijken naar de trends En als er dan iets gebeurt, roepen ze. Ze richten onze aandacht - de menselijke onderzoekers - op het juiste detail, zodat we het niet missen. De AI-agenten helpen ervoor te zorgen dat we de beste wetenschap doen die we kunnen, " legde Olds uit.

Toen hem om een ​​voorbeeld werd gevraagd, vertelde Dan de gebeurtenissen van een experiment. De onderzoekers kwamen naar NSLS-II om de afbraak van een gasfiltratiemateriaal te begrijpen. Samen met Olds zetten ze de materialen op in een stroom gas, terwijl ze elke seconde een röntgenfoto maken. Elke snap creëerde een patroon van heldere en donkere ringen (een diffractiepatroon). Gecodeerd in deze veranderende ringen ligt informatie over hoe de atomen op dat moment in het materiaal zijn gerangschikt. Terwijl de meting liep, fleurde een van de AI-agenten op, wat aangeeft dat er iets begon te veranderen.

"Dus we hebben het gecontroleerd, maar hebben niets gezien. We waren hier nog nieuw in. Dus we vroegen ons af:kunnen we de AI-agent vertrouwen?" Maar binnen het uur werd duidelijk dat het proces dat we zochten was begonnen. Het mooie witte poeder dat we in de bundellijn plaatsten was aan het afbrokkelen. All we found after the experiment was this ugly black crisp. Once the experiment was complete, we ran a traditional analysis of the data and found that the process had started when the AI agent chirped up. That just blew me away, because the changes at the beginning are tiny. Our AI was more sensitive than we all expected," Olds said. He pointed to two publications (a conference proceeding and an Applied Physics Review paper) about the team's recent AI work.

Computer, can you clean-up my data?

While Rakitin's tool will help prior to an experiment and Olds specialized in enhancing experiments with AI, Barbour uses her AI project to improve the quality of her data after the experiment.

"The aim is to design a first pass for the analysis. The scientific problems we are looking at are all dynamic. Whenever you are looking for changes in your data, you need to be careful because your sample is not the only thing changing. There is detector noise, fluctuations in your X-ray beam and more. All of these make it harder to extract dynamics," Barbour said.

To see these changes within materials, Barbour works with her colleagues at two instruments, the Coherent Soft X-ray Scattering (CSX) and Coherent Hard X-ray Scattering (CHX) beamlines. In both cases, the X-ray beam hits the sample, scattering across the detector in a pattern that depends on its inner structure. However, Barbour is interested in a specific portion of the scattered beam—the coherent one. Because only that will create the specific pattern—called a speckle pattern—that she needs to calculate the correlations. This technique, known as X-ray photon correlation spectroscopy (XPCS), allows Barbour to compare the different patterns within a whole series of shots. Each shot can hold similarities to the following ones, and it's these correlations Barbour is looking for. They reveal how the material evolves over time.

"To make a good correlation, you need a series of consecutive images with no noise, no instability, and lots of X-rays. But to accomplish this with real-world data, you would need to look at every single image to remove all the 'bad stuff." It's time consuming. This is why we developed an AI agent that does two things for us:it removes the noise, and it targets the specific dynamic we are looking for. Once we have removed the noise, we can do the traditional analysis faster," Barbour explained. In her recent publications, the team shows the different between the raw, pixelated data images and the de-noised images.

She continued, "After we have de-noised the data, we use an AI method on the correlations we computed to pull out the information we're seeking. They are called the dynamic time constants. This time, we did it for all of them. Nobody does that! Why? Because without the AI agent, it would take a complex algorithm producing fits with high uncertainties, while needing a lot of computing power. However, by analyzing the correlations with the finest time resolution, we created insights that we couldn't access before. Thanks to this process, we could provide our findings to the theorists in a form that is more easily compared to theoretical models." More about this can be found in team's most recent publication.

I'm an AI agent, not a human scientist

If AI agents can align beamlines, monitor data streams, recognize chemical changes in materials, and de-noise data, will they replace humans as researchers some day? The three researchers all agreed that the answers to this question was "no."

"I'd like to say that using AI agents—treating them as black boxes to get answers—is the ultimate goal. But just like when you start chemistry class, you need to work out the entire problem. You don't write down an answer. You think about the numbers you've got. You ask, 'does this make sense?" And this also needs to happen with AI agents. We—the scientists—need to check if what the AI program produced makes sense," explained Barbour.

"There are always false positives or similar things when you work with AI. The model might think it has predicted something, but it actually didn't. So, you need an expert to look over its shoulder," Rakitin continued.

Olds nodded as he added, "I think what makes AI special is that we ask the computer to sort out the math for us. That's pretty profound, but ultimately is a new tool for our repertoire in the same way that computers were. Humanity did science before computers. But with them we do it more efficiently and quicker. The same is true for many other technologies. It opens the door to things that you couldn't do before, but it doesn't mean that we're doing away with scientists. It just let the scientists do their work more efficiently."

Looking forward, all three scientists agreed that the future of science will have researchers using AI agents to enhance their work in many aspects. Not just one AI like the ship computer in Star Trek, but many specialized agents, taking care of time-consuming, complex tasks. They are a new tool in the toolbox of the researchers—just like screwdrivers, test tubes, and computers—improving our researchers' ability to do science. + Verder verkennen

After AIs mastered Go and Super Mario, scientists have taught them how to 'play' experiments at NSLS-II