Alla vet att datorn – en artificiell intelligens (AI)-liknande enhet – på ett Star Trek rymdskepp gör allt från att brygga te till att sammanställa komplexa analyser av flödesdata. Men hur används de på riktiga forskningsanläggningar? Hur kan AI-agenter – datorprogram som kan agera baserat på en upplevd miljö – hjälpa forskare att upptäcka nästa generations batterier eller kvantmaterial? Tre anställda vid National Synchrotron Light Source II (NSLS-II) beskrev hur AI-agenter stödjer forskare med hjälp av anläggningens forskningsverktyg. Som ett U.S. Department of Energys (DOE) Office of Science-användaranläggning belägen vid DOE:s Brookhaven National Laboratory, erbjuder NSLS-II sina experimentella möjligheter till forskare från hela världen som använder den för att avslöja mysterierna med material för morgondagens teknologi.

Från att förbättra experimentella förhållanden till att förbättra datakvaliteten, Andi Barbour, Dan Olds, Maksim Rakitin och deras kollegor arbetar med olika AI-projekt på NSLS-II. En ny översiktspublikation i Digital Discovery beskriver flera – men inte alla – pågående AI-projekt vid anläggningen.

Första kontakten med AI

Medan filmer ofta visar AI-agenter som kännande superdatorer som kan utföra olika uppgifter, skiljer sig verkliga AI-agenter mycket från denna skildring.

"Vad vi menar när vi säger AI är att vi kommer på en algoritm eller en metod - i grunden någon matematisk process - som kommer att göra en "sak" för oss, som att klassificera, analysera eller fatta beslut, men vi kommer inte att hårdkoda logiken," förklarade Olds, en fysiker som arbetar vid ett av NSLS-II:s vetenskapliga instrument som möjliggör ett brett utbud av forskningsprojekt. Instrumenten på NSLS-II kallas beamlines eftersom de är en kombination av ett röntgenstråleleveranssystem och en experimentstation.

Rakitin, en fysiker specialiserad på att utveckla programvara för att samla in eller analysera data vid NSLS-II, tillade:"Istället för att ge programmet – AI-agenten – en modell, bygger den sin egen modell genom träning. Om vi ​​vill att den ska känna igen en katt , visar vi den en katt istället för att förklara att det är ett pälsdjur med fyra ben, spetsiga öron, en svans och så vidare. Programmet måste ta reda på hur man identifierar en katt själv."

Forskare vid anläggningar som NSLS-II har två huvudskäl till att anpassa AI-agenter till deras behov:den stora mängden data och dess komplexitet. För tjugo år sedan tog det flera minuter att ta en databild – till exempel ett diffraktionsmönster – av ett batteri. Nu, vid strållinjen Olds arbetar vid, kan de ta samma bild på en bråkdel av en sekund. Även om detta tillåter mer forskning vid strållinjen, överträffar det de traditionella strategierna som används för att analysera data.

Barbour, en kemisk fysiker, står inför den andra utmaningen, komplexa data, i sitt arbete med att studera dynamik i kvantmaterial. Tillsammans med sina medarbetare undersöker hon hur den atomära och elektroniska ordningen i dessa material utvecklas under varierande förhållanden.

"När vi gör experiment vid strållinjen, letar vi efter korrelationer och mönster i data över tid. Så om vi skulle behöva skriva ett långt program som fångar alla möjligheter med våra experiment, skulle det vara otroligt komplicerat, svårt att läst, fruktansvärt att underhålla och en mardröm att automatisera. Men ett AI-verktyg kan lära sig att hantera vår komplexa data utan att behöva förklara varje detalj för agenten, säger Barbour.

Anlita AI-agent för optimering

Men innan något experiment kan starta måste röntgenstrålen förberedas genom att justera de olika optiska komponenterna i en strållinje. Små men precisa motorer gör att forskarna kan flytta varje enskild komponent efter behov. Det finns motorer som roterar speglar för att styra röntgenstrålningen, fler motorer som flyttar linser för att fokusera ljuset och ännu fler motorer som styr slitsar för att forma strålen. Tillsammans ger alla dessa delar den perfekta röntgenstrålen för experimentet. Ju bättre strålen passar experimentet, desto bättre datakvalitet för forskarna. Det är dock inte lätt att hitta den här perfekta strålen. Faktum är att forskare – som Rakitin – kallar det ett flerdimensionellt optimeringsproblem.

"Istället för att justera varje motor för varje datamängd, är vårt projekt att utveckla en AI-agent som kan göra justeringen åt oss automatiskt. Målet är att ge AI-programmet den form och/eller intensiteten på strålen vi behöver, och det kommer att ta reda på hur man ändrar positionen för varje motor för att uppnå det. Detta minskar avsevärt tiden för att få igång experimentet", sa Rakitin om ett projekt som presenterades vid den 14:e internationella konferensen om synkrotronstrålningsinstrumentering (länk till fortsättningen väntas i oktober 2022).

Rakitin och hans teammedlemmar strävar faktiskt efter att skapa en virtuell strållinje som tillåter användare att ta reda på de bästa strålförhållandena för sitt experiment innan de anländer till anläggningen. För att uppnå det kartlägger han varje motors beteende till specifika parametrar som representerar fysiska egenskaper – som spegelradier – i en simulering av strållinjen. Simuleringen är utvecklad i en mjukvara som heter Sirepo. En första studie om denna idé publicerades 2020 i SPIE-konferensen.

"Medan användarna kan använda dessa strållinjesimuleringar för att lära sig hur man kör en strållinje, kan vi också använda den för att planera nya. Vi kan förbereda simuleringen baserat på designen för strållinjen redan innan de fysiska delarna sätts ihop. När strållinjen är klar, vi kan påbörja kartläggningsprocessen av motorerna till de specifika parametrarna i simuleringen," sa Rakitin.

För närvarande har NSLS-II 28 strållinjer, men anläggningen kan stödja ytterligare cirka 30 strållinjer. Rakitin förväntar sig att ett antal nya strållinjer kommer att använda verktyget under utvecklingsprocessen.

Ställ in AI på att bedöva

En av dessa 28 strållinjer är en röntgendiffraktionsstrållinje som kallas Pair Distribution Function (PDF) strållinje, där Olds fungerar. Den betjänar många användare för strukturella studier med hög genomströmning av total spridning som syftar till att förstå struktur-egenskapsförhållandena i material från nya batterier till "grön" cement. Forskningsfrågornas ständigt föränderliga karaktär på PDF utmanar Olds i jakten på den bästa mätstrategin för varje experiment. För att förbättra mätningarna utvecklar Olds olika AI-agenter som övervakar data, mäter dem och analyserar dem – som en digital labbassistent.

"Den huvudsakliga frågan som driver vårt AI-arbete är hur vi kan utnyttja alla experiment på bästa sätt eftersom tid vid en strållinje är en värdefull, begränsad resurs. När experimentet är över har du all tid i världen att analysera data Men under experimentet är det avgörande att inte missa en viktig förändring i ditt material som kan påverka upptäckten du försöker göra. Du vill ha verktyg som kan hjälpa dig att fatta bättre beslut som när du ska sakta ner en uppvärmningsramp eftersom du närmar dig en intressant datapunkt, eller till och med varna dig om att en mätning har slutförts tidigare än väntat. Det är här vår "federation" av AI-labbassistenter kommer in i bilden. De övervakar data. De gör några realtidsanalyser. De tittar på trenderna Och sedan när något händer ropar de. De fokuserar vår – de mänskliga forskarnas – uppmärksamhet på rätt detalj så att vi inte missar den. AI-agenterna hjälper till att se till att vi gör det bästa vetenskapen vi kan, " förklarade Olds.

När han blev tillfrågad om ett exempel, berättade Dan om händelserna i ett experiment. Forskarna kom till NSLS-II för att förstå nedbrytningen av ett gasfiltreringsmaterial. Tillsammans med Olds satte de upp materialen i en ström av gas, samtidigt som de tog ett röntgenfoto varje sekund. Varje snap skapade ett mönster av ljusa och mörka ringar (ett diffraktionsmönster). Inkodad i dessa växlande ringar finns information om hur atomerna är ordnade i materialet vid det ögonblicket. Medan mätningen pågick piggade sig en av AI-agenterna upp, vilket tydde på att något hade börjat förändras.

"Så vi kollade men såg ingenting. Vi var fortfarande nya på det här. Så vi undrade "kan vi lita på AI-agenten?" Men inom en timme stod det klart att processen vi letade efter hade startat. Det vackra vita pulvret vi placerade i strållinjen höll på att gå sönder. Allt vi hittade efter experimentet var denna fula svarta crisp. 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. + Utforska vidare

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