Argonne-forskare har använt artificiell intelligens för att snabbt identifiera och rekonstruera toppar i diffraktionsdata. Kredit:Antonino Miceli/Argonne National Laboratory
Artificiell intelligens (AI) förvandlar alla vetenskapliga områden, från biologi till materialvetenskap. När det gäller vissa typer av röntgenexperiment har nya AI-metoder gjort det möjligt för forskare att få en mer exakt analys av sina prover och att göra det på mycket kortare tid.
En grupp forskare vid det amerikanska energidepartementets (DOE) Argonne National Laboratory använder AI för att utföra den utmanande uppgiften att analysera data från högenergiröntgenexperiment. Med en ny neural nätverksbaserad metod kallad BraggNN kan Argonne-teamet mer exakt identifiera Bragg-toppar – datapunkter som indikerar positioner och orienteringar för små individuella kristaller – på en bråkdel av den tid de brukade.
Neurala nätverk (NN i BraggNN) är algoritmer som letar efter mönster i data och med tiden lär sig att förutsäga resultat, vilket påskyndar analysen av dessa data.
"BraggNN ger oss mycket större effektivitet och snabbhet än konventionella tekniker", säger Argonnes Antonino Miceli, en författare på tidningen och gruppledare vid Advanced Photon Source (APS), en DOE Office of Science-användaranläggning i Argonne.
Under de senaste åren har en teknik som kallas högenergidiffraktionsmikroskopi (HEDM) blivit ett av de mest populära sätten som forskare använder för att exakt karakterisera komplicerade material med hög upplösning. Även om HEDM har visat sig vara en stor förbättring jämfört med konventionella tekniker, kan det också vara dyrt och tidskrävande. Det involverar insamling av enorma datamängder, analys av miljontals Bragg-diffraktionstoppar och rekonstruktion av provet med dessa toppar.
Den förestående uppgraderingen av APS förväntas avsevärt förbättra hastigheten för HEDM-datainsamling till en minut eller mindre. Men beräkningstiden för att slutföra analys av flera Bragg-toppar kan sträcka sig till timmar eller veckor, även med de största superdatorerna. Sådana förseningar gör inte bara forskningen långsammare, de förhindrar också användningen av HEDM-information för att styra experiment. Till exempel kan forskare som studerar hur sprickor bildas i material använda de analyserade data för att spåra var dessa sprickor uppstår, i nära till realtid.
För att ta itu med dessa utmaningar vände sig forskarna vid APS till AI för att påskynda och effektivisera Bragg-toppanalys. Den konventionella metoden innebär att man använder en 2D- eller 3D-modell och anpassar toppdata till den, men forskargruppens nya modell kan direkt bestämma topppositionerna utifrån data.
"Konventionella metoder fungerar som att prova en kostym hos en skräddare", säger Argonne beräkningsforskare Hemant Sharma, en författare till studien. "Först måste du prova en uppskattad form och sedan göra formanpassning efter den. Med vår teknik, med hjälp av ett neuralt nätverk, är det som att skapa den perfekta kostymen direkt från bara ett fotografi av en person."
Efter att modellen tränats på data som innehåller diffraktionstoppar, kunde forskarna dramatiskt påskynda analysen och förbättra noggrannheten. "Den verkliga prestationen är att vi gjorde toppbestämningar mycket snabbare och även levererade subpixelnoggrannhet - guldstandarden för att dra användbara slutsatser", säger Argonne-datavetaren Zhengchun Liu, den första författaren till tidningen.
De avancerade beräkningsmetoderna som används av BraggNN är särskilt gynnsamma för användning på ett grafikprocessor (GPU)-chip, vilket hjälper till att ytterligare accelerera dess prestanda.
Teamet använde ThetaGPU-systemet vid Argonne Leadership Computing Facility (ALCF), en DOE Office of Science-användaranläggning och Cerebras AI-plattformen vid ALCF AI Testbed för att snabbt träna modellen.
En artikel baserad på studien publicerades i Journal of the International Union of Crystallography . + Utforska vidare
