Een team van wetenschappers van het Brookhaven National Laboratory van het Amerikaanse ministerie van Energie en het Lawrence Berkeley National Laboratory ontwierp, gemaakt, en met succes een nieuw algoritme getest om slimmere wetenschappelijke meetbeslissingen te nemen. Het algoritme, een vorm van kunstmatige intelligentie (AI), kan autonoom beslissingen nemen om de volgende stap van een experiment te definiëren en uit te voeren. Het team beschreef de mogelijkheden en flexibiliteit van hun nieuwe meetinstrument in een paper gepubliceerd op 14 augustus, 2019 in Wetenschappelijke rapporten .

Van Galileo en Newton tot de recente ontdekking van zwaartekrachtsgolven, het uitvoeren van wetenschappelijke experimenten om de wereld om ons heen te begrijpen, is al honderden jaren de drijvende kracht achter onze technologische vooruitgang. Het verbeteren van de manier waarop onderzoekers hun experimenten uitvoeren, kan een enorme impact hebben op hoe snel die experimenten bruikbare resultaten opleveren voor nieuwe technologieën.

In de afgelopen decennia is onderzoekers hebben hun experimenten versneld door automatisering en een steeds groeiend assortiment aan snelle meetinstrumenten. Echter, enkele van de meest interessante en belangrijke wetenschappelijke uitdagingen - zoals het maken van verbeterde batterijmaterialen voor energieopslag of nieuwe kwantummaterialen voor nieuwe soorten computers - vereisen nog steeds zeer veeleisende en tijdrovende experimenten.

Door een nieuw besluitvormingsalgoritme te creëren als onderdeel van een volledig geautomatiseerde experimentele opstelling, het interdisciplinaire team van twee van Brookhaven's DOE Office of Science gebruikersfaciliteiten - het Center for Functional Nanomaterials (CFN) en de National Synchrotron Light Source II (NSLS-II) - en Berkeley Lab's Center for Advanced Mathematics for Energy Research Applications (CAMERA) biedt de mogelijkheid om deze uitdagingen op een efficiëntere manier te bestuderen.

De uitdaging van complexiteit

Het doel van veel experimenten is om kennis op te doen over het materiaal dat wordt bestudeerd, en wetenschappers hebben een beproefde manier om dit te doen:ze nemen een monster van het materiaal en meten hoe het reageert op veranderingen in zijn omgeving.

Een standaardaanpak voor wetenschappers bij gebruikersfaciliteiten zoals NSLS-II en CFN is om handmatig de metingen van een bepaald experiment te scannen om het volgende gebied te bepalen waar ze een experiment zouden willen uitvoeren. Maar de toegang tot de hoogwaardige materiaalkarakteriseringstools van deze faciliteiten is beperkt, dus meettijd is kostbaar. Een onderzoeksteam heeft misschien maar een paar dagen om hun materialen te meten, dus ze moeten het maximale uit elke meting halen.

"De sleutel tot het bereiken van een minimaal aantal metingen en maximale kwaliteit van het resulterende model is om te gaan waar de onzekerheden groot zijn, " zei Marcus Noack, een postdoctoraal onderzoeker bij CAMERA en hoofdauteur van de studie. "Het uitvoeren van metingen daar zal de algehele modelonzekerheid het meest effectief verminderen."

Als Kevin Yager, een co-auteur en CFN-wetenschapper, wees erop, "Het uiteindelijke doel is niet alleen om sneller gegevens te verzamelen, maar ook om de kwaliteit van de gegevens die we verzamelen te verbeteren. Ik zie het als experimentatoren die overschakelen van micromanagen van hun experiment naar beheer op een hoger niveau. In plaats van te moeten beslissen waar ze vervolgens gaan meten op het monster, de wetenschappers kunnen in plaats daarvan nadenken over het grote geheel, dat is uiteindelijk wat wij als wetenschappers proberen te doen."

"Deze nieuwe aanpak is een toegepast voorbeeld van kunstmatige intelligentie, " zei co-auteur Masafumi Fukuto, een wetenschapper bij NSLS-II. "Het besluitvormingsalgoritme vervangt de intuïtie van de menselijke experimentator en kan door de gegevens scannen en slimme beslissingen nemen over hoe het experiment moet verlopen."

Meer informatie voor minder?

In praktijk, voordat u een experiment start, de wetenschappers definiëren een reeks doelen die ze uit de meting willen halen. Met deze doelen gesteld, het algoritme kijkt tijdens het experiment naar de eerder gemeten gegevens om de volgende meting te bepalen. Op zoek naar de beste volgende meting, het algoritme creëert een surrogaatmodel van de gegevens, wat een weloverwogen gok is over hoe het materiaal zich zal gedragen in de volgende mogelijke stappen, en berekent de onzekerheid - in feite hoe zeker het is in zijn gok - voor elke mogelijke volgende stap. Op basis hiervan, het selecteert vervolgens de meest onzekere optie om als volgende te meten. De truc hier is om de meest onzekere stap te kiezen om vervolgens te meten, het algoritme maximaliseert de hoeveelheid kennis die het verkrijgt door die meting uit te voeren. Het algoritme maximaliseert niet alleen de informatiewinst tijdens de meting, het definieert ook wanneer het experiment moet worden beëindigd door uit te zoeken op welk moment eventuele aanvullende metingen niet tot meer kennis zouden leiden.

"Het basisidee is een heleboel experimenten gegeven, hoe kun je automatisch de volgende beste kiezen?" zei James Sethian, directeur van CAMERA en een co-auteur van de studie. "Marcus heeft een wereld gebouwd die bij benadering een surrogaatmodel bouwt op basis van je eerdere experimenten en het beste of meest geschikte experiment suggereert om het volgende te proberen."

Hoe zijn we hier gekomen?

Om autonome experimenten mogelijk te maken, het team moest drie belangrijke stukken aanpakken:de automatisering van de gegevensverzameling, realtime analyse, en, natuurlijk, het besluitvormingsalgoritme.

"Dit is een spannend onderdeel van deze samenwerking, " zei Fukuto. "We hebben er allemaal een essentieel onderdeel voor geleverd:het CAMERA-team werkte aan het besluitvormingsalgoritme, Kevin van CFN ontwikkelde de realtime data-analyse, en wij van NSLS-II zorgden voor de automatisering van de metingen."

Het team implementeerde eerst hun besluitvormingsalgoritme op de Complex Materials Scattering (CMS) bundellijn bij NSLS-II, waarin de CFN en NSLS-II samenwerken. Dit instrument biedt ultraheldere röntgenstralen om de nanostructuur van verschillende materialen te bestuderen. Als de leidende beamline-wetenschapper van dit instrument, Fukuto had de beamline al ontworpen met het oog op automatisering. De bundellijn biedt een monsteruitwisselende robot, automatische monsterbeweging in verschillende richtingen, en vele andere handige tools om snelle metingen te garanderen. Samen met Yager's realtime data-analyse, de bundellijn was qua ontwerp de perfecte pasvorm voor het eerste "slimme" experiment.

Het eerste "slimme" experiment

Het eerste volledig autonome experiment dat het team uitvoerde, was het in kaart brengen van de omtrek van een druppel waar nanodeeltjes segregeren met behulp van een techniek die kleine-hoek röntgenverstrooiing wordt genoemd bij de CMS-bundellijn. Tijdens kleine-hoek röntgenverstrooiing, de wetenschappers schijnen heldere röntgenstralen op het monster en, afhankelijk van de atomaire tot nanoschaalstructuur van het monster, de röntgenstralen weerkaatsen in verschillende richtingen. De wetenschappers gebruiken vervolgens een grote detector om de verstrooide röntgenstralen te vangen en de eigenschappen van het monster op de verlichte plek te berekenen. In dit eerste experiment de wetenschappers vergeleken de standaardbenadering van het meten van het monster met metingen die werden gedaan toen het nieuwe besluitvormingsalgoritme de dienst uitmaakte. Het algoritme was in staat om het gebied van de druppel te identificeren en zich te concentreren op de randen en binnenste delen in plaats van op de achtergrond.

"Na ons eigen aanvankelijke succes, we wilden het algoritme meer toepassen, dus hebben we een paar gebruikers benaderd en voorgesteld om ons nieuwe algoritme te testen op hun wetenschappelijke problemen, " zei Yager. "Ze zeiden ja, en sindsdien hebben we verschillende monsters gemeten. Een van de meest interessante was een onderzoek naar een monster dat was gefabriceerd om een ​​spectrum van verschillende materiaalsoorten te bevatten. Dus in plaats van een enorm aantal monsters te maken en te meten en misschien een interessante combinatie te missen, de gebruiker maakte één enkel voorbeeld dat alle mogelijke combinaties bevatte. Ons algoritme was vervolgens in staat om deze enorme diversiteit aan combinaties efficiënt te verkennen, " hij zei.

Wat is het volgende?

Na de eerste succesvolle experimenten, de wetenschappers zijn van plan het algoritme verder te verbeteren en daarmee de waarde ervan voor de wetenschappelijke gemeenschap. Een van hun ideeën is om het algoritme 'fysiek bewust' te maken - gebruikmakend van alles wat al bekend is over materiaal dat wordt bestudeerd - zodat de methode nog effectiever kan zijn. Een andere ontwikkeling die aan de gang is, is om het algoritme te gebruiken tijdens de synthese en verwerking van nieuwe materialen, bijvoorbeeld om processen te begrijpen en te optimaliseren die relevant zijn voor geavanceerde productie, aangezien deze materialen worden verwerkt in echte apparaten. Het team denkt ook na over het grotere geheel en wil de autonome methode overdragen naar andere experimentele opstellingen.

"Ik denk dat gebruikers de bundellijnen van NSLS-II of microscopen van CFN net zo krachtige karakteriseringstools zien. We proberen deze mogelijkheden te veranderen in een krachtige materiaalontdekkingsfaciliteit, ' zei Fukuto.