Исследователи из Аргонны создали автоматический метод, который может заполнить пробелы в рентгеновских данных.
Собирать пазлы — отличное занятие для дождливого воскресного дня. Но несколько более сложный процесс быстрой сборки трехмерных научных пазлов — атомных структур из различных материалов — в последнее время стал намного проще благодаря новым исследованиям, в которых мощные рентгеновские лучи сочетаются с передовыми вычислительными методологиями.
Исследователи из Аргоннской национальной лаборатории Министерства энергетики США (DOE) разработали новую методику, которая ускоряет определение структур материалов на основе закономерностей, обнаруженных в рентгеновских экспериментах. Этот метод позволяет исследователям изучать определенные свойства, такие как коррозия или зарядка и разрядка аккумулятора, в режиме реального времени.
Техника под названием AutoPhaseNN основана на методе машинного обучения , который обучает алгоритм на определенных экспериментальных данных, а затем использует его для выбора наиболее вероятного результата текущего эксперимента. Данные, используемые в этом случае, создаются путем направления сверхъярких рентгеновских лучей из Аргоннского усовершенствованного источника фотонов (APS) на материал и захвата света, когда они отражаются, — процесс, называемый дифракцией. APS является пользовательским центром Министерства энергетики США в Аргонне.
Новые методы важны, поскольку APS находится в процессе масштабной модернизации, которая увеличит яркость рентгеновских лучей до 500 раз. Это означает, что после того, как в 2024 году модернизированный APS будет запущен в эксплуатацию, будет быстрее собираться больше данных, и ученым потребуется способ не отставать от анализа этих данных. Решения для машинного обучения, такие как AutoPhaseNN, станут жизненно важной частью более быстрого анализа данных, необходимого в будущем в APS, а также на аналогичных объектах по всему миру.
AutoPhaseNN является примером «неконтролируемого» машинного обучения, что означает, что компьютерный алгоритм учится на собственном опыте, как выполнять вычисления более точно и эффективно, без необходимости обучаться с помощью помеченных решений, которые уже были вычислены, процесс что обычно связано с вмешательством человека.
«Этот новый алгоритм, по сути, способен решить то, что мы называем обратной задачей, переходя от кусочков головоломки к созданию самой головоломки», — сказал автор исследования Мэтью Черукара, специалист по вычислительной технике из Аргонны и руководитель группы. «По сути, мы берем набор наблюдений и пытаемся определить условия, которые их создали. Вместо того, чтобы решать головоломку, итерируя процесс проб и пересмотров на основе предварительных знаний, наш алгоритм собирает головоломку из разрозненных кусочков. за один шаг».
Получение информации о структуре материала требует от ученых получения информации, касающейся не только амплитуды дифрагированного сигнала, но и его фазы. Однако амплитуда или интенсивность — это единственная часть, которую можно измерить напрямую.
Поскольку рентгеновские лучи, используемые для освещения образца, когерентны — это означает, что все они изначально имеют одну и ту же фазу, — любое изменение фазы, происходящее в результате дифракции, может быть отображено на самом образце, — сказал ученый-нанолог из Аргонна и его коллега. автор Генри Чан.
«Поиск фазы необходим для понимания структуры — большая часть соответствующей информации находится в фазе», — сказал ведущий автор Юдонг Яо, физик-рентгенолог из Аргонны во время этого исследования. «С тем типом дифракции, который мы делаем, получение информации о фазе является сложной задачей; это похоже на выяснение того, как все части подходят друг к другу исключительно на основе цветов, которые вы можете видеть на каждой части».
Чтобы обычные нейронные сети с учителем могли решить эту обратную задачу, исследователям пришлось бы соединить «сломанные головоломки» с полностью собранными примерами, чтобы нейронная сеть могла на чем-то тренироваться. С неконтролируемой нейронной сетью алгоритм может научиться собирать головоломку из разрозненных кусочков. Полученная сеть является быстрой, точной и (в отличие от традиционных методов) способна предоставлять 3D-изображения в режиме реального времени научным пользователям таких объектов, как APS.
Теги: батарея, ИИ
