Однако обработка информации на этих рентгеновских снимках сложна и требует много времени, поэтому Джошуа Тернер, ведущий научный сотрудник Национального ускорительного центра SLAC Министерства энергетики и Стэнфордского университета, и десять других исследователей обратились к искусственному интеллекту для автоматизации процесса. Их метод машинного обучения, опубликованный 17 октября в Структурная динамика, ускоряет этот метод рентгеновского зондирования и распространяет его на ранее недоступные материалы.

"Самое захватывающее для меня то, что теперь мы можем получить доступ к другому диапазону измерений, чего раньше не могли", - сказал Тернер.

Обработка большого двоичного объекта

При исследовании материалов с использованием этого двухимпульсного метода рентгеновские лучи рассеиваются от материала и обычно регистрируются по одному фотону за раз. Детектор измеряет эти рассеянные фотоны, которые используются для получения спекл-паттерна - пятнистого изображения, представляющего точную конфигурацию образца в один момент времени. Исследователи сравнивают спекл-паттерны от каждой пары импульсов, чтобы вычислить колебания в образце.

"Однако каждый фотон создает взрыв электрического заряда на детекторе", - сказал Тернер. "Если фотонов слишком много, эти зарядовые облака сливаются вместе, образуя неузнаваемый сгусток". Это облако шума означает, что исследователи должны собрать тонны данных о рассеянии, чтобы получить четкое представление о характере спеклов.

"Вам нужно много данных, чтобы понять, что происходит в системе", - сказал Сатья Читтури, аспирант Стэнфордского университета, который руководил этой работой. Его консультируют Тернер и соавтор Майк Данн, директор рентгеновского лазера Linac Coherent Light Source (LCLS) в SLAC.

При использовании обычных методов сначала нужно было собрать все данные, а затем проанализировать их с использованием моделей, которые оценивают, как фотоны собираются вместе в детекторе - длительный процесс для понимания структуры спеклов.

Метод машинного обучения, с другой стороны, использует необработанное изображение рассеянных фотонов на детекторе для непосредственного извлечения информации о флуктуациях. Этот новый метод в десять раз быстрее сам по себе и в 100 раз быстрее в сочетании с улучшенным оборудованием, позволяя анализировать данные в режиме, близком к реальному времени.

Отчасти успех нового метода был достигнут благодаря усилиям соавтора Николаса Бурде, младшего научного сотрудника SLAC, который разработал симулятор, который генерировал данные для обучения модели машинного обучения. Благодаря этому обучению алгоритм смог узнать, как сливаются зарядовые облака, и определить, сколько фотонов попадает в детектор на каплю и на пару импульсов. Модель оказалась точной даже при очень размытых условиях.

Видеть за облаками

Модель может извлекать информацию для целого ряда материалов, которые было трудно изучить, поскольку рентгеновские лучи рассеиваются от них слишком слабо для обнаружения, таких как высокотемпературные сверхпроводники или квантовые спиновые жидкости. Читтури сказал, что новый метод также может быть применен к другим неквантовым материалам, включая коллоиды, сплавы и стекла.

Тернер сказал, что исследование должно помочь в обновлении LCLS-II, которое позволит исследователям собирать до миллиона изображений, или несколько терабайт данных, в секунду, по сравнению с примерно сотней изображений в секунду для LCLS.

"В SLAC мы в восторге от этого обновления, но также немного беспокоимся, сможем ли мы справиться с таким объемом данных", - сказал Тернер. В соответствующей статье команда обнаружила, что их новый метод должен быть достаточно быстрым, чтобы обрабатывать все эти данные. "Этот новый алгоритм действительно поможет".

Увеличение скорости, предлагаемое искусственным интеллектом, обещает также изменить сам экспериментальный процесс. Вместо того, чтобы принимать решения после сбора и анализа данных, исследователи смогут анализировать данные и вносить изменения во время сбора данных, что может сэкономить время и деньги, потраченные во время эксперимента. Это также позволит исследователям обнаруживать сюрпризы и перенаправлять свои эксперименты в режиме реального времени для изучения неожиданных явлений.

"Этот метод может позволить вам глубже изучить материаловедение, которое вас интересует, и максимизировать научное воздействие, позволяя вам принимать решения на разных этапах вашего эксперимента об изменениях экспериментальных переменных, таких как температура, магнитное поле и состав материала", - сказал Читтури.

Исследование является частью более масштабного сотрудничества между SLAC, Северо-Восточным университетом и Университетом Говарда по использованию машинного обучения для продвижения исследований в области материалов и химии.

Исследование финансировалось Управлением науки Министерства образования и программы исследований ранней карьеры Министерства образования. LCLS - это пользовательское средство Управления науки Министерства здравоохранения.