Chombo Kipya cha AI cha Argonne Kinawaletea Uchambuzi wa Wakati Halisi Sayansi ya Vifaa

Argonne National Laboratory ilifunua DONUT, mtandao wa neva (neural network) unaozingatia fizikia ambao hutoa uchambuzi wa mionzi ya X (X-ray) papo hapo, ukiondoa ule usubiri wa wiki kadhaa ambao kwa kawaida hufuata majaribio ya sayansi ya vifaa. Mfumo huu unafanya kazi bila kuhitaji seti kubwa za data zilizotiwa lebo ambazo huendesha mifano mingi ya AI, hivyo kufungua milango ya utafiti wa haraka na wa kujitegemea zaidi.

Kwa nini wakati halisi ni muhimu

Katika majaribio ya kawaida ya mstari wa mionzi (beam-line), wanasayansi hukusanya data ya mtawanyiko wa mionzi ya X (X-ray diffraction), kisha hutumia wiki au miezi kuichakata ili kubainisha muundo wa kifaa. Ucheleweshaji huo unaweza kuwalazimu watafiti kubuni upya jaribio au kukosa matukio ya muda mfupi yanayotokea wakati tu wa upimaji. DONUT hurusha data inaporekodiwa, ikitoa mrejesho wa papo hapo ili watafiti waweze kuchukua hatua ikiwa sampuli itabadilika wakati wa jaribio.

Jinsi DONUT inavyozuia hitaji la kuweka lebo kwenye data

Zana za kawaida za kujifunza kwa kina (deep-learning) hutegemea mafunzo ya kusimamiwa (supervised training): maelfu ya mifano ambapo kila mfumo wa mionzi ya X unaoanishwa na muundo unaojulikana. Kujenga maktaba hizo kunahitaji nguvu kazi kubwa na mara nyingi haiwezekani kwa vifaa vipya au tata. DONUT hujifunza bila usimamizi (unsupervised), ikijumuisha sheria za fizikia zinazoongoza mwingiliano wa mionzi ya X moja kwa moja kwenye usanifu wake. Kwa kuingiza vikwazo hivyo ndani, mtandao huo hutoa taarifa za muundo bila hata kuona mfano uliotiwa lebo mapema.

Athari zinazoweza kutokea kwenye utafiti

  • Ugunduzi wa haraka – Kasi hiyo inawawezesha watafiti kuchunguza betri, vichocheo vya kemikali, na vipengele vya kielektroniki kwa haraka zaidi.
  • Upatikanaji mpana zaidi – Watumiaji wasio na utaalamu wa kina katika uchambuzi wa mtawanyiko wanaweza kufanya majaribio na kupata matokeo yanayoweza kutumika, hivyo kupunguza vikwazo vya kuanza kwa maabara zinazoibuka.
  • Majaribio yanayobadilika – Kwa sababu modeli hiyo hujiboresha yenyewe kwa vipimo vya hivi karibuni, inasogeza majaribio kuelekea kwenye kujitegemea.

Hitimisho

DONUT inaonyesha kuwa kuingiza fizikia kwenye AI kunaweza kukwepa tatizo la kizuizi cha lebo za data, na kubadilisha majaribio ya mionzi ya X kutoka kuwa kazi ya polepole ya uchakataji wa baadae kuwa mchakato wa ugunduzi wa mwingiliano na wa papo hapo.