Ett team av forskare från US Department of Energy Brookhaven National Laboratory och Lawrence Berkeley National Laboratory utformade, skapad, och framgångsrikt testat en ny algoritm för att fatta smartare vetenskapliga mätbeslut. Algoritmen, en form av artificiell intelligens (AI), kan fatta autonoma beslut för att definiera och utföra nästa steg i ett experiment. Teamet beskrev möjligheterna och flexibiliteten hos deras nya mätverktyg i ett dokument publicerat den 14 augusti, 2019 i Vetenskapliga rapporter .

Från Galileo och Newton till den senaste upptäckten av gravitationella vågor, att utföra vetenskapliga experiment för att förstå världen omkring oss har varit drivkraften för vårt tekniska framsteg i hundratals år. Att förbättra hur forskare gör sina experiment kan ha enorm inverkan på hur snabbt dessa experiment ger tillämpliga resultat för ny teknik.

Under de senaste decennierna har forskare har påskyndat sina experiment genom automatisering och ett ständigt växande sortiment av snabba mätverktyg. Dock, några av de mest intressanta och viktiga vetenskapliga utmaningarna-som att skapa förbättrade batterimaterial för energilagring eller nya kvantmaterial för nya typer av datorer-kräver fortfarande mycket krävande och tidskrävande experiment.

Genom att skapa en ny beslutsalgoritm som en del av en helautomatisk experimentell installation, det tvärvetenskapliga teamet från två av Brookhavens användaranläggningar för DOE Office of Science-Center for Functional Nanomaterials (CFN) och National Synchrotron Light Source II (NSLS-II)-och Berkeley Labs Center for Advanced Mathematics for Energy Research Applications (CAMERA) erbjuder möjligheten att studera dessa utmaningar på ett mer effektivt sätt.

Komplexitetens utmaning

Målet med många experiment är att få kunskap om det material som studeras, och forskare har ett väl testat sätt att göra detta:De tar ett prov på materialet och mäter hur det reagerar på förändringar i sin omgivning.

En standardmetod för forskare vid användaranläggningar som NSLS-II och CFN är att manuellt skanna igenom mätningarna från ett givet experiment för att bestämma nästa område där de kanske vill köra ett experiment. Men tillgången till dessa anläggningars avancerade materialkarakteriseringsverktyg är begränsad, så mättiden är dyrbar. Ett forskargrupp kanske bara har några dagar på sig att mäta sina material, så de måste få ut det mesta av varje mätning.

"Nyckeln till att uppnå ett minsta antal mätningar och maximal kvalitet på den resulterande modellen är att gå dit osäkerheterna är stora, sa Marcus Noack, en postdoktor vid CAMERA och huvudförfattare till studien. "Genom att utföra mätningar där kommer det mest effektivt att minska den totala modellosäkerheten."

Som Kevin Yager, en medförfattare och CFN-forskare, Pekat ut, "Det slutliga målet är inte bara att ta data snabbare utan också att förbättra kvaliteten på de data vi samlar in. Jag tänker på det som experimentalister som byter från mikromanage sitt experiment till att hantera på en högre nivå. Istället för att behöva bestämma var de ska mäta nästa på provet, forskarna kan istället tänka på helheten, vilket i slutändan är vad vi som forskare försöker göra. "

"Detta nya tillvägagångssätt är ett tillämpat exempel på artificiell intelligens, "sa medförfattaren Masafumi Fukuto, en forskare vid NSLS-II. "Beslutsalgoritmen ersätter den mänskliga experimentatorens intuition och kan skanna igenom data och fatta smarta beslut om hur experimentet ska gå till."

Mer information för mindre?

I praktiken, innan du börjar ett experiment, forskarna definierar en uppsättning mål de vill få ut av mätningen. Med dessa mål uppsatta, algoritmen tittar på tidigare uppmätta data medan experimentet pågår för att bestämma nästa mätning. På jakt efter den bästa nästa mätningen, algoritmen skapar en surrogatmodell av data, vilket är en utbildad gissning om hur materialet kommer att bete sig i nästa möjliga steg, och beräknar osäkerheten - i princip hur säker den är i sin gissning - för varje möjligt nästa steg. Baserat på det här, det väljer sedan det mest osäkra alternativet att mäta nästa. Tricket här är genom att välja det mest osäkra steget att mäta nästa, algoritmen maximerar mängden kunskap den får genom att göra den mätningen. Algoritmen maximerar inte bara informationsvinsten under mätningen, den definierar också när experimentet ska avslutas genom att räkna ut det ögonblick då ytterligare mätningar inte skulle resultera i mer kunskap.

"Grundidén är, med ett gäng experiment, hur kan du automatiskt välja den näst bästa? "sa James Sethian, direktör för CAMERA och medförfattare till studien. "Marcus har byggt en värld som bygger en ungefärlig surrogatmodell på grundval av dina tidigare experiment och föreslår det bästa eller mest lämpliga experimentet att testa nästa."

Hur vi kom hit

För att göra autonoma experiment till verklighet, laget var tvungen att ta itu med tre viktiga delar:automatiseringen av datainsamlingen, realtidsanalys, och, självklart, beslutsalgoritmen.

"Detta är en spännande del av detta samarbete, "sa Fukuto." Vi gav alla en viktig del för det:CAMERA-teamet arbetade med beslutsalgoritmen, Kevin från CFN utvecklade dataanalysen i realtid, och vi på NSLS-II gav automationen för mätningarna. "

Teamet implementerade först sin beslutsalgoritm vid Complex Materials Scattering (CMS) beamline vid NSLS-II, som CFN och NSLS-II driver i samarbete. Detta instrument erbjuder ultraljusröntgen för att studera nanostrukturen i olika material. Som den ledande strållinjeforskaren för detta instrument, Fukuto hade redan konstruerat strålen med automatisering i åtanke. Strållinjen erbjuder en provutbytesrobot, automatisk provrörelse i olika riktningar, och många andra hjälpsamma verktyg för att säkerställa snabba mätningar. Tillsammans med Yagers dataanalys i realtid, strållinjen var - genom design - den perfekta passformen för det första "smarta" experimentet.

Det första "smarta" experimentet

Det första helt autonoma experimentet teamet utförde var att kartlägga omkretsen av en droppe där nanopartiklar segregerar med hjälp av en teknik som kallas småvinklad röntgenspridning vid CMS-strålen. Vid röntgenspridning med liten vinkel, forskarna lyser ljusa röntgenstrålar vid provet och, beroende på provets atomära till nanoskala struktur, röntgenstrålarna studsar åt olika håll. Forskarna använder sedan en stor detektor för att fånga de spridda röntgenstrålarna och beräkna provets egenskaper på den upplysta platsen. I detta första experiment, forskarna jämförde standardmetoden för att mäta provet med mätningar som gjordes när den nya beslutsalgoritmen kallade skotten. Algoritmen kunde identifiera droppens område och fokuserade på dess kanter och inre delar istället för bakgrunden.

"Efter vår egen första framgång, vi ville tillämpa algoritmen mer, så vi kontaktade några användare och föreslog att testa vår nya algoritm på deras vetenskapliga problem, "sa Yager." De sa ja, och sedan dess har vi mätt olika prover. En av de mest intressanta var en studie på ett prov som tillverkades för att innehålla ett spektrum av olika materialtyper. Så istället för att göra och mäta ett enormt antal prover och kanske sakna en intressant kombination, användaren gjorde ett enda prov som inkluderade alla möjliga kombinationer. Vår algoritm kunde sedan effektivt utforska denna enorma mångfald av kombinationer, " han sa.

Vad kommer härnäst?

Efter de första framgångsrika experimenten, forskarna planerar att ytterligare förbättra algoritmen och därmed dess värde för det vetenskapliga samfundet. En av deras idéer är att göra algoritmen "fysikmedveten"-dra nytta av allt som redan är känt om material som studeras-så att metoden kan bli ännu mer effektiv. En annan utveckling pågår är att använda algoritmen under syntes och bearbetning av nya material, till exempel för att förstå och optimera processer som är relevanta för avancerad tillverkning eftersom dessa material ingår i verkliga enheter. Teamet funderar också på den större bilden och vill överföra den autonoma metoden till andra experimentella inställningar.

"Jag tror att användarna ser strållinjerna i NSLS-II eller mikroskop av CFN lika kraftfulla karaktäriseringsverktyg. Vi försöker ändra dessa funktioner till en kraftfull materialupptäcktsanläggning, Sa Fukuto.