L’intelligence artificielle déchiffre les « nuages » du détecteur pour accélérer la recherche sur les matériaux

Les rayons X peuvent être utilisés comme une caméra ultra-rapide à résolution atomique, et si les chercheurs tirent une paire d’impulsions de rayons X à quelques instants d’intervalle, ils obtiennent des instantanés à résolution atomique d’un système à deux moments dans le temps. La comparaison de ces instantanés montre comment un matériau fluctue en une infime fraction de seconde, ce qui pourrait aider les scientifiques à concevoir les futures générations d’ordinateurs, de communications et d’autres technologies ultra-rapides.

Cependant, la résolution des informations contenues dans ces instantanés de rayons X est difficile et chronophage. Joshua Turner, scientifique principal au SLAC National Accelerator Center du Département de l’énergie et à l’Université de Stanford, et dix autres chercheurs se sont tournés vers l’intelligence artificielle pour automatiser le processus. . Leur méthode d’apprentissage automatique, publiée le 17 octobre dans Dynamique structurelleaccélère cette technique de sondage par rayons X, et l’étend à des matériaux auparavant inaccessibles.

« La chose la plus excitante pour moi est que nous pouvons désormais accéder à une gamme de mesures différente, ce que nous ne pouvions pas auparavant », a déclaré Turner.

Manipulation du blob

Lors de l’étude de matériaux à l’aide de cette technique à deux impulsions, les rayons X se dispersent sur un matériau et sont généralement détectés un photon à la fois. Un détecteur mesure ces photons diffusés, qui sont utilisés pour produire un motif de speckle, une image tachée qui représente la configuration précise de l’échantillon à un instant donné. Les chercheurs comparent les motifs de chatoiement de chaque paire d’impulsions pour calculer les fluctuations de l’échantillon.

« Cependant, chaque photon crée une explosion de charge électrique sur le détecteur », a déclaré Turner. « S’il y a trop de photons, ces nuages ​​​​de charge fusionnent pour créer une goutte méconnaissable. » Ce nuage de bruit signifie que les chercheurs doivent collecter des tonnes de données de diffusion pour obtenir une compréhension claire du motif de chatoiement.

« Vous avez besoin de beaucoup de données pour comprendre ce qui se passe dans le système », a déclaré Sathya Chitturi, titulaire d’un doctorat. étudiant à l’Université de Stanford qui a dirigé ce travail. Il est conseillé par Turner et le co-auteur Mike Dunne, directeur du laser à rayons X Linac Coherent Light Source (LCLS) au SLAC.

Avec les méthodes conventionnelles, toutes les données devaient d’abord être collectées, puis analysées à l’aide de modèles qui estiment la façon dont les photons se regroupent au niveau du détecteur, un long processus pour comprendre les motifs de chatoiement.

La méthode d’apprentissage automatique, quant à elle, utilise l’image brute du détecteur de photons diffusés pour extraire directement les informations de fluctuation. Cette nouvelle méthode est dix fois plus rapide seule et 100 fois plus rapide lorsqu’elle est associée à un matériel amélioré, permettant une analyse des données plus proche du temps réel.

Une partie du succès de la nouvelle méthode est due aux efforts du co-auteur Nicolas Burdet, chercheur associé au SLAC, qui a développé un simulateur qui a produit des données avec lesquelles former le modèle d’apprentissage automatique. Grâce à cette formation, l’algorithme a pu apprendre comment les nuages ​​​​de charge fusionnent et démêler le nombre de photons qui frappent le détecteur par goutte et par paire d’impulsions. Le modèle s’est avéré précis même dans des conditions très blobby.

Voir au-delà des nuages

Le modèle peut extraire des informations pour une gamme de matériaux qui ont été difficiles à étudier car les rayons X les diffusent trop faiblement pour être détectés, tels que les supraconducteurs à haute température ou les liquides de spin quantique. Chitturi a déclaré que la nouvelle méthode pourrait également être appliquée à d’autres matériaux non quantiques, notamment les colloïdes, les alliages et les verres.

Turner a déclaré que la recherche devrait être une aide pour la mise à niveau LCLS-II, qui permettra aux chercheurs de collecter jusqu’à un million d’images, soit quelques téraoctets de données, par seconde, contre environ une centaine d’images par seconde pour LCLS.

« Au SLAC, nous sommes enthousiasmés par cette mise à niveau, mais nous nous inquiétons également de savoir si nous pouvons gérer cette quantité de données », a déclaré Turner. Dans un article connexe, l’équipe a découvert que leur nouvelle technique devrait être suffisamment rapide pour traiter toutes ces données. « Ce nouvel algorithme va vraiment aider. »

L’accélération de la vitesse offerte par l’intelligence artificielle promet également de modifier le processus expérimental lui-même. Au lieu de prendre des décisions après la collecte et l’analyse des données, les chercheurs pourront analyser les données et apporter des modifications pendant la collecte des données, ce qui pourrait économiser du temps et de l’argent pendant l’expérience. Cela permettra également aux chercheurs de repérer les surprises et de rediriger leurs expériences en temps réel pour enquêter sur des phénomènes inattendus.

« Cette méthode peut vous permettre d’explorer davantage la science des matériaux qui vous intéresse et de maximiser l’impact scientifique en vous permettant de prendre des décisions à différents moments de votre expérience concernant les changements de variables expérimentales telles que la température, le champ magnétique et la composition des matériaux », a déclaré Chitturi. a dit.

L’étude fait partie d’une collaboration plus large entre le SLAC, l’Université du Nord-Est et l’Université Howard pour utiliser l’apprentissage automatique pour faire progresser la recherche sur les matériaux et la chimie.