Alat AI Baru Argonne Menghadirkan Analisis Real-Time ke Ilmu Material

Argonne National Laboratory meluncurkan DONUT, sebuah jaringan saraf yang sadar fisika (physics-aware neural network) yang memberikan analisis sinar-X secara instan, memangkas waktu tunggu berminggu-minggu yang biasanya menyusul eksperimen ilmu material. Sistem ini bekerja tanpa kumpulan data berlabel masif yang menjadi penggerak sebagian besar model AI, membuka jalan bagi penelitian yang lebih cepat dan lebih otonom.

Mengapa real-time itu penting

Dalam eksperimen beam-line konvensional, para ilmuwan mengumpulkan data difraksi sinar-X, lalu menghabiskan waktu berminggu-minggu atau berbulan-bulan untuk memprosesnya guna menyimpulkan struktur suatu material. Penundaan tersebut dapat memaksa peneliti untuk merancang ulang eksperimen atau melewatkan fenomena transien yang hanya terjadi selama pengukuran. DONUT mengalirkan data saat sedang direkam, memberikan umpan balik instan sehingga peneliti dapat bereaksi jika sampel berubah selama pengujian.

Bagaimana DONUT menghindari pelabelan data

Alat deep-learning pada umumnya bergantung pada pelatihan terawasi (supervised training): ribuan contoh di mana setiap pola sinar-X dicocokkan dengan struktur yang sudah diketahui. Membangun perpustakaan tersebut membutuhkan banyak tenaga kerja dan sering kali tidak mungkin dilakukan untuk material baru atau kompleks. DONUT belajar secara tidak terawasi (unsupervised), dengan menanamkan hukum fisika yang mengatur interaksi sinar-X secara langsung ke dalam arsitekturnya. Dengan menginternalisasi batasan-batasan tersebut, jaringan ini menyimpulkan informasi struktural tanpa pernah melihat contoh yang telah diberi label sebelumnya.

Potensi dampak pada penelitian

  • Penemuan yang dipercepat – Kecepatannya memungkinkan peneliti mempelajari baterai, katalis kimia, dan komponen elektronik dengan lebih cepat.
  • Aksesibilitas yang lebih luas – Pengguna tanpa keahlian mendalam dalam analisis difraksi dapat menjalankan eksperimen dan memperoleh hasil yang dapat digunakan, sehingga menurunkan hambatan masuk bagi laboratorium baru.
  • Eksperimen adaptif – Karena model ini memperbarui dirinya sendiri dengan pengukuran terbaru, hal ini mendorong eksperimen menuju otonomi.

Kesimpulan

DONUT menunjukkan bahwa menanamkan fisika ke dalam AI dapat melewati hambatan pelabelan data, mengubah eksperimen sinar-X dari tugas pasca-pemrosesan yang lambat menjadi proses penemuan interaktif yang dilakukan secara langsung.