Tutti sanno che il Computer, un'entità simile all'intelligenza artificiale (AI), su un'astronave di Star Trek fa di tutto, dalla preparazione del tè alla compilazione di complesse analisi di dati di flusso. Ma come vengono utilizzati nelle strutture di ricerca reali? In che modo gli agenti dell'IA, programmi per computer che possono agire in base a un ambiente percepito, possono aiutare gli scienziati a scoprire batterie o materiali quantistici di nuova generazione? Tre membri del personale della National Synchrotron Light Source II (NSLS-II) hanno descritto come gli agenti di intelligenza artificiale supportano gli scienziati utilizzando gli strumenti di ricerca della struttura. In qualità di struttura utente dell'Office of Science del Dipartimento dell'Energia degli Stati Uniti situata presso il Brookhaven National Laboratory del DOE, NSLS-II offre le sue capacità sperimentali a scienziati di tutto il mondo che lo utilizzano per rivelare i misteri dei materiali per la tecnologia di domani.

Dal miglioramento delle condizioni sperimentali al miglioramento della qualità dei dati, Andi Barbour, Dan Olds, Maksim Rakitin e i loro colleghi stanno lavorando a vari progetti di intelligenza artificiale presso NSLS-II. Una recente pubblicazione panoramica in Digital Discovery delinea diversi, ma non tutti, progetti di intelligenza artificiale in corso presso la struttura.

Primo contatto con l'IA

Mentre i film mostrano spesso gli agenti di intelligenza artificiale come supercomputer senzienti in grado di eseguire varie attività, gli agenti di intelligenza artificiale del mondo reale differiscono notevolmente da questa rappresentazione.

"Quello che intendiamo quando diciamo AI è che escogitiamo un algoritmo o un metodo, fondamentalmente un processo matematico, che farà una 'cosa' per noi, come classificare, analizzare o prendere decisioni, ma noi" non intendiamo codificare la logica", ha spiegato Olds, un fisico che lavora in uno degli strumenti scientifici di NSLS-II che consente un'ampia gamma di progetti di ricerca. Gli strumenti a NSLS-II sono chiamati beamlines perché sono una combinazione di un sistema di erogazione di raggi X e una stazione sperimentale.

Rakitin, un fisico specializzato nello sviluppo di software per raccogliere o analizzare dati a NSLS-II, ha aggiunto:"Invece di fornire un modello al programma, l'agente AI, costruisce il proprio modello attraverso l'addestramento. Se vogliamo che riconosca un gatto , gli mostriamo un gatto invece di spiegare che è un animale peloso con quattro zampe, orecchie a punta, coda e così via. Il programma deve capire da solo come identificare un gatto."

I ricercatori di strutture come NSLS-II hanno due ragioni principali per adattare gli agenti di IA alle loro esigenze:l'enorme volume di dati e la sua complessità. Vent'anni fa, ci sono voluti diversi minuti per acquisire un'immagine di dati, ad esempio un modello di diffrazione, di una batteria. Ora, alla linea di luce a cui lavora Olds, possono scattare lo stesso scatto in una frazione di secondo. Sebbene ciò consenta di svolgere più ricerche sulla linea di luce, supera le strategie tradizionali utilizzate per analizzare i dati.

Barbour, un fisico chimico, affronta la seconda sfida, i dati complessi, nel suo lavoro di studio della dinamica nei materiali quantistici. Insieme ai suoi collaboratori, indaga come l'ordine atomico ed elettronico in questi materiali evolvono in condizioni variabili.

"Quando eseguiamo esperimenti sulla linea di luce, cerchiamo correlazioni e schemi nei dati nel tempo. Quindi, se avessimo bisogno di scrivere un programma lungo che catturi tutte le possibilità dei nostri esperimenti, sarebbe incredibilmente complicato, difficile da leggere, terribile da mantenere e un incubo da automatizzare. Ma uno strumento di intelligenza artificiale può imparare a gestire i nostri dati complessi senza la necessità di spiegare ogni dettaglio all'agente", ha affermato Barbour.

Coinvolgi l'agente AI per l'ottimizzazione

Ma prima che qualsiasi esperimento possa iniziare, il fascio di raggi X deve essere preparato regolando i vari componenti ottici in una linea di fascio. Motori piccoli ma precisi consentono ai ricercatori di spostare ogni singolo componente secondo necessità. Ci sono motori che ruotano gli specchi per guidare i raggi X, più motori che muovono le lenti per focalizzare la luce e ancora più motori che controllano le fessure per modellare il raggio. Insieme, tutte queste parti forniscono il raggio di raggi X perfetto per l'esperimento. Migliore è il raggio che si adatta all'esperimento, migliore è la qualità dei dati per i ricercatori. Tuttavia, trovare questo raggio perfetto non è facile. In effetti, i ricercatori, come Rakitin, lo chiamano un problema di ottimizzazione multidimensionale.

"Invece di modificare ogni motore per ogni set di dati, il nostro progetto è sviluppare un agente di intelligenza artificiale in grado di eseguire automaticamente le modifiche per noi. L'obiettivo è dare al programma di intelligenza artificiale la forma e/o l'intensità del raggio di cui abbiamo bisogno, e scoprirà come modificare la posizione di ciascun motore per raggiungerlo. Questo riduce significativamente il tempo per iniziare l'esperimento", ha affermato Rakitin a proposito di un progetto presentato alla 14a conferenza internazionale sulla strumentazione per le radiazioni di sincrotrone (link al procedimento previsto per ottobre 2022).

Rakitin e i membri del suo team stanno effettivamente cercando di creare una linea di luce virtuale che consenta agli utenti di capire le migliori condizioni del raggio per il loro esperimento prima di arrivare alla struttura. Per raggiungere questo obiettivo, mappa il comportamento di ciascun motore su parametri specifici che rappresentano proprietà fisiche, come i raggi speculari, in una simulazione della linea del raggio. La simulazione è sviluppata in un software chiamato Sirepo. Un primo studio su questa idea è stato pubblicato nel 2020 negli atti del convegno SPIE.

"Sebbene gli utenti possano utilizzare queste simulazioni di beamline per imparare a eseguire una beamline, noi possiamo anche usarle per pianificarne di nuove. Possiamo preparare la simulazione in base ai progetti per la beamline anche prima che i pezzi fisici siano assemblati. Una volta che il la linea del raggio è pronta, possiamo iniziare il processo di mappatura dei motori sui parametri specifici della simulazione", ha affermato Rakitin.

Attualmente, NSLS-II ha 28 linee di luce, tuttavia, la struttura può supportare circa 30 linee di luce aggiuntive. Rakitin prevede che una serie di nuove linee di luce utilizzino lo strumento durante il processo di sviluppo.

Imposta l'IA per stordire

Una di queste 28 linee di luce è una linea di luce di diffrazione di raggi X chiamata linea di luce Pair Distribution Function (PDF), dove lavora Olds. Serve molti utenti per studi strutturali a dispersione totale ad alto rendimento volti a comprendere le relazioni struttura-proprietà nei materiali, dalle nuove batterie al cemento "verde". La natura in continua evoluzione delle domande di ricerca in PDF sfida Olds nella ricerca della migliore strategia di misurazione per ogni esperimento. Per migliorare le misurazioni, Olds sta sviluppando vari agenti di intelligenza artificiale che monitorano i dati, li misurano e li analizzano, come un assistente di laboratorio digitale.

"La domanda principale che guida il nostro lavoro di intelligenza artificiale è come possiamo utilizzare al meglio qualsiasi esperimento perché il tempo trascorso su una linea di luce è una risorsa preziosa e limitata. Una volta terminato l'esperimento, hai tutto il tempo del mondo per analizzare i dati . Ma durante l'esperimento, è fondamentale non perdere un cambiamento importante nel tuo materiale che potrebbe influenzare la scoperta che stai cercando di fare. Vuoi strumenti che possano aiutarti a prendere decisioni migliori come quando rallentare una rampa di riscaldamento perché ti stai avvicinando un punto dati interessante o addirittura avvisarti che una misurazione è stata completata prima del previsto. È qui che entra in gioco la nostra "federazione" di assistenti di laboratorio di intelligenza artificiale. Monitorano i dati. Eseguono analisi in tempo reale. Osservano le tendenze . E poi quando succede qualcosa, chiamano. Concentrano la nostra attenzione, quella dei ricercatori umani, sul dettaglio giusto in modo da non perderlo. Gli agenti dell'IA ci aiutano a fare in modo che stiamo facendo la migliore scienza possibile, " ha spiegato Olds.

Quando gli è stato chiesto un esempio, Dan ha raccontato gli eventi di un esperimento. I ricercatori sono giunti a NSLS-II per comprendere la rottura di un materiale di filtrazione del gas. Insieme a Olds, hanno installato i materiali in un flusso di gas, scattando una foto a raggi X ogni secondo. Ogni scatto creava uno schema di anelli luminosi e scuri (uno schema di diffrazione). Codificate in questi anelli mutevoli si trovano le informazioni su come gli atomi sono disposti nel materiale in quel momento. Durante la misurazione, uno degli agenti dell'IA si è ripreso, indicando che qualcosa aveva iniziato a cambiare.

"Quindi, abbiamo controllato ma non abbiamo visto nulla. Eravamo ancora nuovi in ​​questo. Quindi, ci siamo chiesti, 'possiamo fidarci dell'agente dell'IA?" Ma nel giro di un'ora è diventato chiaro che il processo che stavamo cercando era iniziato. La bella polvere bianca che abbiamo posizionato nella linea del raggio si stava rompendo. Tutto quello che abbiamo trovato dopo l'esperimento è stato questo brutto croccante nero. Once the experiment was complete, we ran a traditional analysis of the data and found that the process had started when the AI agent chirped up. That just blew me away, because the changes at the beginning are tiny. Our AI was more sensitive than we all expected," Olds said. He pointed to two publications (a conference proceeding and an Applied Physics Review paper) about the team's recent AI work.

Computer, can you clean-up my data?

While Rakitin's tool will help prior to an experiment and Olds specialized in enhancing experiments with AI, Barbour uses her AI project to improve the quality of her data after the experiment.

"The aim is to design a first pass for the analysis. The scientific problems we are looking at are all dynamic. Whenever you are looking for changes in your data, you need to be careful because your sample is not the only thing changing. There is detector noise, fluctuations in your X-ray beam and more. All of these make it harder to extract dynamics," Barbour said.

To see these changes within materials, Barbour works with her colleagues at two instruments, the Coherent Soft X-ray Scattering (CSX) and Coherent Hard X-ray Scattering (CHX) beamlines. In both cases, the X-ray beam hits the sample, scattering across the detector in a pattern that depends on its inner structure. However, Barbour is interested in a specific portion of the scattered beam—the coherent one. Because only that will create the specific pattern—called a speckle pattern—that she needs to calculate the correlations. This technique, known as X-ray photon correlation spectroscopy (XPCS), allows Barbour to compare the different patterns within a whole series of shots. Each shot can hold similarities to the following ones, and it's these correlations Barbour is looking for. They reveal how the material evolves over time.

"To make a good correlation, you need a series of consecutive images with no noise, no instability, and lots of X-rays. But to accomplish this with real-world data, you would need to look at every single image to remove all the 'bad stuff." It's time consuming. This is why we developed an AI agent that does two things for us:it removes the noise, and it targets the specific dynamic we are looking for. Once we have removed the noise, we can do the traditional analysis faster," Barbour explained. In her recent publications, the team shows the different between the raw, pixelated data images and the de-noised images.

She continued, "After we have de-noised the data, we use an AI method on the correlations we computed to pull out the information we're seeking. They are called the dynamic time constants. This time, we did it for all of them. Nobody does that! Why? Because without the AI agent, it would take a complex algorithm producing fits with high uncertainties, while needing a lot of computing power. However, by analyzing the correlations with the finest time resolution, we created insights that we couldn't access before. Thanks to this process, we could provide our findings to the theorists in a form that is more easily compared to theoretical models." More about this can be found in team's most recent publication.

I'm an AI agent, not a human scientist

If AI agents can align beamlines, monitor data streams, recognize chemical changes in materials, and de-noise data, will they replace humans as researchers some day? The three researchers all agreed that the answers to this question was "no."

"I'd like to say that using AI agents—treating them as black boxes to get answers—is the ultimate goal. But just like when you start chemistry class, you need to work out the entire problem. You don't write down an answer. You think about the numbers you've got. You ask, 'does this make sense?" And this also needs to happen with AI agents. We—the scientists—need to check if what the AI program produced makes sense," explained Barbour.

"There are always false positives or similar things when you work with AI. The model might think it has predicted something, but it actually didn't. So, you need an expert to look over its shoulder," Rakitin continued.

Olds nodded as he added, "I think what makes AI special is that we ask the computer to sort out the math for us. That's pretty profound, but ultimately is a new tool for our repertoire in the same way that computers were. Humanity did science before computers. But with them we do it more efficiently and quicker. The same is true for many other technologies. It opens the door to things that you couldn't do before, but it doesn't mean that we're doing away with scientists. It just let the scientists do their work more efficiently."

Looking forward, all three scientists agreed that the future of science will have researchers using AI agents to enhance their work in many aspects. Not just one AI like the ship computer in Star Trek, but many specialized agents, taking care of time-consuming, complex tasks. They are a new tool in the toolbox of the researchers—just like screwdrivers, test tubes, and computers—improving our researchers' ability to do science. + Esplora ulteriormente

After AIs mastered Go and Super Mario, scientists have taught them how to 'play' experiments at NSLS-II