I ricercatori Argonne hanno utilizzato l'intelligenza artificiale per identificare e ricostruire rapidamente i picchi nei dati di diffrazione. Crediti:Antonino Miceli/Laboratorio Nazionale Argonne
L'intelligenza artificiale (AI) sta trasformando ogni campo scientifico, dalla biologia alla scienza dei materiali. Quando si tratta di alcuni tipi di esperimenti a raggi X, i nuovi approcci di intelligenza artificiale hanno consentito ai ricercatori di ottenere un'analisi più accurata dei loro campioni e di farlo in un lasso di tempo molto più breve.
Un gruppo di ricercatori dell'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE) sta sfruttando l'IA per svolgere il compito impegnativo di analizzare i dati provenienti da esperimenti con raggi X ad alta energia. Con un nuovo metodo basato sulla rete neurale chiamato BraggNN, il team di Argonne può identificare con maggiore precisione i picchi di Bragg, punti dati che indicano posizioni e orientamenti di minuscoli cristalli individuali, in una frazione del tempo rispetto al passato.
Le reti neurali (le NN in BraggNN) sono algoritmi che cercano modelli nei dati e, nel tempo, imparano a prevedere i risultati, accelerando l'analisi di tali dati.
"BraggNN ci offre un'efficienza e una velocità di gran lunga maggiori rispetto alle tecniche convenzionali", ha affermato Antonino Miceli di Argonne, autore dell'articolo e leader del gruppo presso l'Advanced Photon Source (APS), una struttura utente del DOE Office of Science presso Argonne.
Negli ultimi anni, una tecnica chiamata microscopia a diffrazione ad alta energia (HEDM) è diventata uno dei modi più popolari utilizzati dagli scienziati per caratterizzare accuratamente materiali complicati ad alta risoluzione. Sebbene HEDM abbia dimostrato di essere un grande miglioramento rispetto alle tecniche convenzionali, può anche essere costoso e richiedere molto tempo. Implica la raccolta di enormi set di dati, l'analisi di milioni di picchi di diffrazione di Bragg e la ricostruzione del campione utilizzando quei picchi.
L'imminente aggiornamento dell'APS dovrebbe migliorare notevolmente la velocità di acquisizione dei dati HEDM fino a un minuto o meno. Ma il tempo di elaborazione per completare l'analisi di più picchi di Bragg può estendersi a ore o settimane, anche con i supercomputer più grandi. Tali ritardi non solo rallentano la ricerca, ma impediscono anche l'uso delle informazioni HEDM per guidare gli esperimenti. Ad esempio, gli scienziati che studiano come si formano le crepe nei materiali potrebbero utilizzare i dati analizzati per tracciare dove stanno emergendo tali crepe, quasi in tempo reale.
Per affrontare queste sfide, i ricercatori che lavorano presso l'APS si sono rivolti all'IA per accelerare e semplificare l'analisi del picco di Bragg. Il metodo convenzionale prevede l'utilizzo di un modello 2D o 3D e l'adattamento dei dati di picco ad esso, ma il nuovo modello del team di ricerca può determinare direttamente le posizioni di picco dai dati.
"I metodi convenzionali funzionano come provare un abito da un sarto", ha detto lo scienziato computazionale di Argonne Hemant Sharma, autore dello studio. "Prima devi provare una forma stimata e poi adattarla alla forma. Con la nostra tecnica, utilizzando una rete neurale, è come generare istantaneamente l'abito perfetto da una semplice fotografia di una persona."
Dopo che il modello è stato addestrato sui dati contenenti picchi di diffrazione, i ricercatori sono stati in grado di accelerare notevolmente l'analisi e migliorare la precisione. "Il vero risultato è che abbiamo effettuato le determinazioni dei picchi molto più velocemente e fornito anche una precisione sub-pixel, il gold standard per trarre conclusioni utili", ha affermato Zhengchun Liu, scienziato informatico di Argonne, il primo autore dell'articolo.
I metodi di calcolo avanzati utilizzati da BraggNN sono particolarmente favorevoli per l'uso su un chip di unità di elaborazione grafica (GPU), che aiuta ad accelerarne ulteriormente le prestazioni.
Il team ha utilizzato il sistema ThetaGPU presso l'Argonne Leadership Computing Facility (ALCF), una struttura utente del DOE Office of Science e la piattaforma Cerebras AI presso l'ALCF AI Testbed per addestrare rapidamente il modello.
Un documento basato sullo studio è stato pubblicato nel Journal of the International Union of Crystallography . + Esplora ulteriormente
