เครื่องมือ AI ใหม่ของ Argonne นำการวิเคราะห์แบบเรียลไทม์มาสู่ด้านวัสดุศาสตร์

Argonne National Laboratory ได้เปิดตัว DONUT ซึ่งเป็นโครงข่ายประสาทเทียมที่เข้าใจหลักฟิสิกส์ (physics-aware neural network) ที่สามารถวิเคราะห์รังสีเอกซ์ (X-ray) ได้ในทันที ช่วยลดระยะเวลาการรอคอยนานหลายสัปดาห์ที่มักเกิดขึ้นหลังจากการทดลองด้านวัสดุศาสตร์ ระบบนี้ทำงานได้โดยไม่ต้องใช้ชุดข้อมูลที่มีการระบุป้ายกำกับ (labeled datasets) ขนาดใหญ่เหมือนที่โมเดล AI ส่วนใหญ่ต้องใช้ ซึ่งเป็นการเปิดประตูสู่การวิจัยที่รวดเร็วและเป็นอิสระมากขึ้น

ทำไมการวิเคราะห์แบบเรียลไทม์จึงสำคัญ

ในการทดลองแบบ beam-line ทั่วไป นักวิทยาศาสตร์จะเก็บข้อมูลการเลี้ยวเบนของรังสีเอกซ์ (X-ray diffraction) จากนั้นต้องใช้เวลาหลายสัปดาห์หรือหลายเดือนในการประมวลผลเพื่ออนุมานโครงสร้างของวัสดุ ความล่าช้านี้อาจบีบให้ผู้วิจัยต้องออกแบบการทดลองใหม่ หรือพลาดปรากฏการณ์ชั่วคราว (transient phenomena) ที่เกิดขึ้นเฉพาะในช่วงเวลาการวัดเท่านั้น DONUT จะทำการสตรีมข้อมูลในขณะที่กำลังบันทึก ทำให้ได้รับข้อมูลตอบกลับในทันที เพื่อให้ผู้วิจัยสามารถตอบสนองได้หากตัวอย่างมีการเปลี่ยนแปลงระหว่างการทดสอบ

DONUT หลีกเลี่ยงการทำ Data Labeling ได้อย่างไร

เครื่องมือ Deep Learning ทั่วไปมักพึ่งพาการฝึกฝนแบบมีผู้สอน (supervised training) ซึ่งต้องใช้ตัวอย่างนับพันรายการที่รูปแบบรังสีเอกซ์แต่ละแบบต้องถูกจับคู่กับโครงสร้างที่ทราบค่าอยู่แล้ว การสร้างคลังข้อมูลเหล่านั้นต้องใช้แรงงานมหาศาล และมักเป็นไปไม่ได้สำหรับวัสดุชนิดใหม่หรือวัสดุที่มีความซับซ้อน แต่ DONUT เรียนรู้แบบไม่มีผู้สอน (unsupervised) โดยการฝังกฎทางฟิสิกส์ที่ควบคุมการปฏิสัมพันธ์ของรังสีเอกซ์ลงในสถาปัตยกรรมของมันโดยตรง ด้วยการนำข้อจำกัดเหล่านั้นมาใช้ภายในตัวระบบ ทำให้โครงข่ายสามารถอนุมานข้อมูลโครงสร้างได้โดยไม่ต้องเห็นตัวอย่างที่ผ่านการระบุป้ายกำกับไว้ล่วงหน้า

ผลกระทบที่อาจเกิดขึ้นต่อการวิจัย

  • การค้นพบที่รวดเร็วขึ้น – ความเร็วนี้ช่วยให้นักวิจัยสามารถศึกษาแบตเตอรี่ ตัวเร่งปฏิกิริยาทางเคมี และส่วนประกอบอิเล็กทรอนิกส์ได้รวดเร็วยิ่งขึ้น
  • การเข้าถึงที่กว้างขวางขึ้น – ผู้ใช้งานที่ไม่มีความเชี่ยวชาญเชิงลึกด้านการวิเคราะห์การเลี้ยวเบนก็สามารถทำการทดลองและได้รับผลลัพธ์ที่นำไปใช้งานได้ ซึ่งเป็นการลดอุปสรรคในการเข้าถึงสำหรับห้องปฏิบัติการที่เพิ่งก่อตั้งใหม่
  • การทดลองที่ปรับตัวได้ – เนื่องจากโมเดลจะอัปเดตตัวเองด้วยการวัดค่าล่าสุดอยู่เสมอ จึงช่วยผลักดันให้การทดลองก้าวไปสู่ความเป็นอัตโนมัติ (autonomy)

บทสรุป

DONUT แสดงให้เห็นว่าการฝังฟิสิกส์ลงใน AI สามารถก้าวข้ามคอขวดของการทำ Data Labeling ได้ โดยเปลี่ยนการทดลองรังสีเอกซ์จากการทำงานที่ล่าช้าและต้องรอการประมวลผลย้อนหลัง ให้กลายเป็นกระบวนการค้นพบที่โต้ตอบได้และเกิดขึ้นได้ในทันที