.
Os raios-X podem ser usados como uma câmera super-rápida de resolução atômica, e se os pesquisadores disparam um par de pulsos de raios-X com apenas alguns momentos de distância, eles obtêm instantâneos de resolução atômica de um sistema em dois pontos no tempo. A comparação desses instantâneos mostra como um material flutua em uma pequena fração de segundo, o que pode ajudar os cientistas a projetar futuras gerações de computadores super-rápidos, comunicações e outras tecnologias.
Resolver as informações nesses instantâneos de raios-X, no entanto, é difícil e demorado, então Joshua Turner, cientista-chefe do SLAC National Accelerator Center do Departamento de Energia e da Universidade de Stanford, e dez outros pesquisadores recorreram à inteligência artificial para automatizar o processo. . Seu método auxiliado por aprendizado de máquina, publicado em 17 de outubro na Dinâmica Estruturalacelera essa técnica de sondagem de raios-X e a estende a materiais anteriormente inacessíveis.
“A coisa mais emocionante para mim é que agora podemos acessar uma gama diferente de medições, que não podíamos antes”, disse Turner.
Manipulando o blob
Ao estudar materiais usando essa técnica de dois pulsos, os raios X espalham um material e geralmente são detectados um fóton de cada vez. Um detector mede esses fótons dispersos, que são usados para produzir um padrão de manchas – uma imagem manchada que representa a configuração precisa da amostra em um instante no tempo. Os pesquisadores comparam os padrões de manchas de cada par de pulsos para calcular as flutuações na amostra.
“No entanto, cada fóton cria uma explosão de carga elétrica no detector”, disse Turner. “Se houver muitos fótons, essas nuvens de carga se fundem para criar uma bolha irreconhecível”. Essa nuvem de ruído significa que os pesquisadores devem coletar toneladas de dados de dispersão para obter uma compreensão clara do padrão de manchas.
“Você precisa de muitos dados para descobrir o que está acontecendo no sistema”, disse Sathya Chitturi, Ph.D. estudante da Universidade de Stanford que liderou este trabalho. Ele é aconselhado por Turner e coautor Mike Dunne, diretor do laser de raios-X Linac Coherent Light Source (LCLS) no SLAC.
Com os métodos convencionais, todos os dados tinham que ser coletados primeiro e depois analisados usando modelos que estimam como os fótons se agrupam no detector – um processo demorado para entender os padrões de manchas.
O método de aprendizado de máquina, por outro lado, usa a imagem bruta do detector de fótons dispersos para extrair diretamente as informações de flutuação. Este novo método é dez vezes mais rápido sozinho e 100 vezes mais rápido quando combinado com hardware aprimorado, permitindo a análise de dados mais próxima do tempo real.
Parte do sucesso do novo método veio dos esforços do coautor Nicolas Burdet, cientista associado da equipe do SLAC que desenvolveu um simulador que produzia dados para treinar o modelo de aprendizado de máquina. Por meio desse treinamento, o algoritmo foi capaz de aprender como as nuvens de carga se fundem e desvendar quantos fótons atingem o detector por blob e por par de pulsos. O modelo provou ser preciso mesmo sob condições muito borbulhantes.
Vendo além das nuvens
O modelo pode extrair informações para uma variedade de materiais que têm sido difíceis de estudar porque os raios X os espalham muito fracamente para detecção, como supercondutores de alta temperatura ou líquidos de spin quântico. Chituri disse que o novo método também pode ser aplicado a outros materiais não quânticos, incluindo colóides, ligas e vidros.
Turner disse que a pesquisa deve ser uma ajuda para a atualização do LCLS-II, que permitirá aos pesquisadores coletar até um milhão de imagens, ou alguns terabytes de dados, por segundo, em comparação com cerca de cem imagens por segundo para o LCLS.
“No SLAC, estamos empolgados com essa atualização, mas também estamos um pouco preocupados se podemos lidar com essa quantidade de dados”, disse Turner. Em um artigo relacionado, a equipe descobriu que sua nova técnica deveria ser rápida o suficiente para lidar com todos esses dados. “Este novo algoritmo vai realmente ajudar.”
O aumento de velocidade oferecido pela inteligência artificial promete alterar também o próprio processo experimental. Em vez de tomar decisões após a coleta e análise de dados, os pesquisadores poderão analisar os dados e fazer alterações durante a coleta de dados, o que pode economizar tempo e dinheiro gastos durante o experimento. Também permitirá que os pesquisadores detectem surpresas e redirecionem seus experimentos em tempo real para investigar fenômenos inesperados.
“Esse método pode permitir que você explore mais a ciência dos materiais em que está interessado e maximize o impacto científico, permitindo que você tome decisões em diferentes pontos ao longo do experimento sobre mudanças nas variáveis experimentais, como temperatura, campo magnético e composição do material”, Chitturi disse.
O estudo faz parte de uma colaboração maior entre o SLAC, a Northeastern University e a Howard University para usar o aprendizado de máquina para avançar na pesquisa de materiais e química.
A pesquisa foi financiada pelo DOE Office of Science e pelo DOE Early Career Research Program. LCLS é uma instalação de usuário do DOE Office of Science.
.
