Nowe narzędzie AI z Argonne wprowadza analizę w czasie rzeczywistym do nauki o materiałach

Laboratorium Narodowe Argonne (Argonne National Laboratory) zaprezentowało DONUT – sieć neuronową uwzględniającą prawa fizyki, która dostarcza natychmiastową analizę rentgenowską, eliminując wielotygodniowe oczekiwanie, które tradycyjnie następowało po eksperymentach w dziedzinie nauki o materiałach. System działa bez ogromnych, etykietowanych zbiorów danych, które zasilają większość modeli AI, otwierając drogę do szybszych i bardziej autonomicznych badań.

Dlaczego czas rzeczywisty ma znaczenie

W konwencjonalnych eksperymentach na liniach promieniowania naukowcy gromadzą dane z dyfrakcji rentgenowskiej, a następnie spędzają tygodnie lub miesiące na ich przetwarzaniu, aby wywnioskować strukturę materiału. To opóźnienie może zmuszać badaczy do projektowania eksperymentu na nowo lub powodować przeoczenie zjawisk przejściowych, które występują tylko podczas pomiaru. DONUT przesyła dane w strumieniu w momencie ich rejestracji, zapewniając natychmiastową informację zwrotną, dzięki czemu badacze mogą zareagować, jeśli próbka ulegnie zmianie podczas testu.

Jak DONUT omija etykietowanie danych

Typowe narzędzia do głębokiego uczenia opierają się na uczeniu nadzorowanym: tysiącach przykładów, w których każdy wzór rentgenowski jest dopasowany do znanej struktury. Budowanie takich bibliotek jest pracochłonne i często niemożliwe w przypadku nowych lub złożonych materiałów. DONUT uczy się w sposób nienadzorowany, implementując prawa fizyki rządzące oddziaływaniem promieni rentgenowskich bezpośrednio w swojej architekturze. Poprzez wewnętrzne przyswojenie tych ograniczeń, sieć wywnioskowuje informacje strukturalne bez konieczności widzenia wcześniej etykietowanych przykładów.

Potencjalny wpływ na badania

  • Przyspieszone odkrycia – Szybkość działania pozwala badaczom na szybsze badanie baterii, katalizatorów chemicznych i komponentów elektronicznych.
  • Większa dostępność – Użytkownicy bez głębokiej wiedzy w zakresie analizy dyfrakcyjnej mogą przeprowadzać eksperymenty i uzyskiwać użyteczne wyniki, co obniża próg wejścia dla nowo powstających laboratoriów.
  • Eksperymenty adaptacyjne – Ponieważ model aktualizuje się na podstawie najnowszych pomiarów, przesuwa on eksperymenty w stronę autonomii.

Podsumowanie

DONUT pokazuje, że implementacja fizyki w AI może ominąć wąskie gardło etykietowania danych, zmieniając eksperymenty rentgenowskie ze powolnego, wymagającego późniejszego przetwarzania obowiązku w interaktywny proces odkrywczy odbywający się na bieżąco.