כלי ה-AI החדש של Argonne מביא ניתוח בזמן אמת למדעי החומרים
מעבדת Argonne National Laboratory חשפה את DONUT, רשת עצבית מודעת-פיזיקה המספקת ניתוח קרני X באופן מיידי, ובכך חוסכת את ההמתנה של שבועות שאחריה נהוג בדרך כלל ניסויי מדעי החומרים. המערכת פועלת ללא מאגרי נתונים מתויגים עצומים המזינים את רוב מודלי ה-AI, מה שפותח פתח למחקר מהיר ואוטונומי יותר.
למה זמן אמת הוא קריטי
בניסויי beam-line קונבנציונליים, מדענים אוספים נתונים של עקיפת קרני X (X-ray diffraction), ולאחר מכן מבלים שבועות או חודשים בעיבודם כדי להסיק על מבנה החומר. עיכוב זה עלול לאלץ חוקרים לתכנן מחדש ניסוי או להחמיץ תופעות חולפות המתרחשות רק במהלך המדידה. DONUT מזרים את הנתונים בזמן שהם נרשמים, ומספק משוב מיידי המאפשר לחוקרים להגיב אם דגימה משתנה במהלך הבדיקה.
כיצד DONUT עוקפת את הצורך בתיוג נתונים
כלי למידה עמוקה טיפוסיים מסתמכים על למידה מונחית (supervised training): אלפי דוגמאות שבהן כל תבנית של קרני X מוצמדת למבנה ידוע. בניית ספריות כאלה היא עתירת עבודה ולעיתים קרובות בלתי אפשרית עבור חומרים חדשניים או מורכבים. DONUT לומדת ללא פיקוח (unsupervised), על ידי הטמעת החוקים הפיזיקליים השולטים באינטראקציית קרני X ישירות בתוך הארכיטקטורה שלה. באמצעות הפנמת המגבלות הללו, הרשת מסיקה מידע מבני מבלי שראתה אי פעם דוגמה מתויגת מראש.
השפעה פוטנציאלית על המחקר
- תגליות מואצות – המהירות מאפשרת לחוקרים לחקור סוללות, זרזים כימיים ורכיבים אלקטרוניים מהר יותר.
- נגישות רחבה יותר – משתמשים ללא מומחיות עמוקה בניתוח עקיפה (diffraction analysis) יכולים להריץ ניסויים ולקבל תוצאות שימושיות, מה שמוריד את חסם הכניסה למעבדות מתהוות.
- ניסויים אדפטיביים – מכיוון שהמודל מעדכן את עצמו באמצעות המדידות האחרונות, הוא דוחף את הניסויים לעבר אוטונומיה.
שורה תחתונה
DONUT מראה כי הטמעת פיזיקה בתוך AI יכולה לעקוף את צוואר הבקבוק של תיוג הנתונים, ולהפוך ניסויי קרני X ממטלה איטית של עיבוד נתונים בדיעבד לתהליך גילוי אינטראקטיבי ומתרחש במקום.