Röntgenstrahlen können wie eine superschnelle Kamera mit atomarer Auflösung verwendet werden, und wenn Forscher ein paar wenige Augenblicke voneinander entfernte Röntgenpulse aufnehmen, erhalten sie Schnappschüsse eines Systems mit atomarer Auflösung zu zwei Zeitpunkten. Der Vergleich dieser Momentaufnahmen zeigt, wie ein Material innerhalb eines winzigen Bruchteils einer Sekunde schwankt, was Wissenschaftlern helfen könnte, zukünftige Generationen von superschnellen Computern, Kommunikations- und anderen Technologien zu entwerfen.
Die Auflösung der Informationen in diesen Röntgenbildern ist jedoch schwierig und zeitintensiv, daher wandten sich Joshua Turner, ein leitender Wissenschaftler am SLAC National Accelerator Center des Department of Energy und der Stanford University, und zehn weitere Forscher der künstlichen Intelligenz zu, um den Prozess zu automatisieren . Ihre durch maschinelles Lernen unterstützte Methode, veröffentlicht am 17. Oktober in Strukturelle Dynamikbeschleunigt diese Röntgensondierungstechnik und erweitert sie auf zuvor unzugängliche Materialien.
„Das Spannendste für mich ist, dass wir jetzt auf einen anderen Bereich von Messungen zugreifen können, was vorher nicht möglich war“, sagte Turner.
Umgang mit dem Blob
Bei der Untersuchung von Materialien mit dieser Zwei-Puls-Technik werden die Röntgenstrahlen an einem Material gestreut und normalerweise mit einem Photon nach dem anderen detektiert. Ein Detektor misst diese gestreuten Photonen, die verwendet werden, um ein Speckle-Muster zu erzeugen – ein fleckiges Bild, das die genaue Konfiguration der Probe zu einem bestimmten Zeitpunkt darstellt. Die Forscher vergleichen die Speckle-Muster von jedem Impulspaar, um Schwankungen in der Probe zu berechnen.
„Jedes Photon erzeugt jedoch eine Explosion elektrischer Ladung auf dem Detektor“, sagte Turner. „Wenn es zu viele Photonen gibt, verschmelzen diese Ladungswolken zu einem nicht erkennbaren Klecks.“ Diese Rauschwolke bedeutet, dass die Forscher Tonnen von Streudaten sammeln müssen, um ein klares Verständnis des Speckle-Musters zu erhalten.
„Man braucht viele Daten, um herauszufinden, was im System passiert“, sagt Sathya Chitturi, Ph.D. Student an der Stanford University, der diese Arbeit leitete. Er wird beraten von Turner und Co-Autor Mike Dunne, Direktor des Linac Coherent Light Source (LCLS) Röntgenlasers am SLAC.
Bei herkömmlichen Methoden mussten zunächst alle Daten gesammelt und dann mithilfe von Modellen analysiert werden, die abschätzen, wie sich die Photonen am Detektor bündeln – ein langwieriger Prozess, um die Speckle-Muster zu verstehen.
Die Methode des maschinellen Lernens hingegen verwendet das rohe Detektorbild von gestreuten Photonen, um direkt Schwankungsinformationen zu extrahieren. Diese neue Methode ist allein zehnmal schneller und in Kombination mit verbesserter Hardware 100mal schneller, was eine Datenanalyse näher an der Echtzeit ermöglicht.
Ein Teil des Erfolgs der neuen Methode ging auf die Bemühungen des Co-Autors Nicolas Burdet zurück, einem wissenschaftlichen Mitarbeiter am SLAC, der einen Simulator entwickelte, der Daten produzierte, mit denen das maschinelle Lernmodell trainiert werden konnte. Durch dieses Training konnte der Algorithmus lernen, wie die Ladungswolken verschmelzen, und entwirren, wie viele Photonen pro Blob und pro Impulspaar auf den Detektor treffen. Das Modell erwies sich auch unter sehr blobigen Bedingungen als genau.
Über die Wolken hinaus sehen
Das Modell kann Informationen für eine Reihe von Materialien extrahieren, die schwer zu untersuchen waren, weil Röntgenstrahlen zu schwach für eine Detektion an ihnen gestreut werden, wie z. B. Hochtemperatur-Supraleiter oder Quanten-Spin-Flüssigkeiten. Chitturi sagte, die neue Methode könne auch auf andere Nicht-Quantenmaterialien angewendet werden, darunter Kolloide, Legierungen und Gläser.
Turner sagte, die Forschung sollte eine Hilfe für das LCLS-II-Upgrade sein, das es Forschern ermöglichen wird, bis zu einer Million Bilder oder einige Terabyte an Daten pro Sekunde zu sammeln, verglichen mit etwa hundert Bildern pro Sekunde für LCLS.
„Bei SLAC freuen wir uns über dieses Upgrade, waren aber auch etwas besorgt, ob wir mit dieser Datenmenge umgehen können“, sagte Turner. In einem verwandten Artikel stellte das Team fest, dass ihre neue Technik schnell genug sein sollte, um mit all diesen Daten umzugehen. „Dieser neue Algorithmus wird wirklich helfen.“
Der Geschwindigkeitsschub, den künstliche Intelligenz bietet, verspricht, auch den experimentellen Prozess selbst zu verändern. Anstatt Entscheidungen nach der Datenerfassung und -analyse zu treffen, können die Forscher Daten analysieren und während der Datenerfassung Änderungen vornehmen, was Zeit und Geld sparen könnte, die während des Experiments aufgewendet werden. Es wird den Forschern auch ermöglichen, Überraschungen zu entdecken und ihre Experimente in Echtzeit umzulenken, um unerwartete Phänomene zu untersuchen.
„Mit dieser Methode können Sie mehr von der Materialwissenschaft erforschen, an der Sie interessiert sind, und die wissenschaftliche Wirkung maximieren, indem Sie an verschiedenen Punkten Ihres Experiments Entscheidungen über Änderungen der experimentellen Variablen wie Temperatur, Magnetfeld und Materialzusammensetzung treffen können“, erklärt Chitturi sagte.
Die Studie ist Teil einer größeren Zusammenarbeit zwischen SLAC, der Northeastern University und der Howard University, um maschinelles Lernen zur Förderung der Material- und Chemieforschung einzusetzen.
Mehr Informationen:
Sathya R. Chitturi et al, Ein maschinell lernender Photonenerkennungsalgorithmus für kohärente ultraschnelle Röntgenfluktuationsanalyse, Strukturelle Dynamik (2022). DOI: 10.1063/4.0000161
Hongwei Chen et al., Testen des Datenrahmens für einen KI-Algorithmus in Vorbereitung auf Röntgeneinrichtungen mit hoher Datenrate, arXiv (2022). DOI: 10.48550/arxiv.2210.10137