Computer, er mit eksperiment afsluttet? Forskere diskuterer brugen af ​​AI-agenter i deres forskning

Alle ved, at computeren – en kunstig intelligens (AI)-lignende enhed – på et Star Trek-rumskib gør alt fra at brygge te til at kompilere komplekse analyser af fluxdata. Men hvordan bruges de på rigtige forskningsfaciliteter? Hvordan kan AI-agenter – computerprogrammer, der kan agere baseret på et opfattet miljø – hjælpe videnskabsmænd med at opdage næste generations batterier eller kvantematerialer? Tre ansatte ved National Synchrotron Light Source II (NSLS-II) beskrev, hvordan AI-agenter støtter videnskabsmænd ved at bruge anlæggets forskningsværktøjer. Som et US Department of Energy's (DOE) Office of Science brugerfacilitet placeret ved DOE's Brookhaven National Laboratory tilbyder NSLS-II sine eksperimentelle muligheder til forskere fra hele verden, der bruger det til at afsløre mysterierne bag materialer til fremtidens teknologi.

Fra at forbedre eksperimentelle forhold til at forbedre datakvaliteten arbejder Andi Barbour, Dan Olds, Maksim Rakitin og deres kolleger på forskellige AI-projekter på NSLS-II. En nylig oversigtspublikation i Digital Discovery skitserer flere – men ikke alle – igangværende AI-projekter på anlægget.

Første kontakt med AI

Mens film ofte viser AI-agenter som sansende supercomputere, der kan udføre forskellige opgaver, adskiller virkelige AI-agenter sig meget fra denne fremstilling.

"Det, vi mener, når vi siger AI, er, at vi kommer op med en algoritme eller en metode - dybest set en matematisk proces - der kommer til at gøre en 'ting' for os, såsom at klassificere, analysere eller træffe beslutninger, men vi vil ikke hårdkode logikken," forklarede Olds, en fysiker, der arbejder ved et af NSLS-II's videnskabelige instrumenter, der muliggør en bred vifte af forskningsprojekter. Instrumenterne på NSLS-II kaldes beamlines, fordi de er en kombination af et røntgenstråleleveringssystem og en forsøgsstation.

Rakitin, en fysiker specialiseret i at udvikle software til at indsamle eller analysere data på NSLS-II, tilføjede:"I stedet for at give programmet - AI-agenten - en model, bygger det sin egen model gennem træning. Hvis vi vil have det til at genkende en kat , viser vi den en kat i stedet for at forklare, at det er et pelset dyr med fire ben, spidse ører, en hale og så videre. Programmet skal selv finde ud af, hvordan man identificerer en kat."

Forskere ved faciliteter som NSLS-II har to hovedårsager til at tilpasse AI-agenter til deres behov:den store mængde data og dens kompleksitet. For tyve år siden tog det adskillige minutter at tage et databillede - såsom et diffraktionsmønster - af et batteri. Nu, ved den strålelinje, Olds arbejder ved, kan de tage det samme billede på en brøkdel af et sekund. Selvom dette tillader mere forskning at ske ved beamline, overgår det de traditionelle strategier, der bruges til at analysere dataene.

Barbour, en kemisk fysiker, står over for den anden udfordring, komplekse data, i sit arbejde med at studere dynamik i kvantematerialer. Sammen med sine samarbejdspartnere undersøger hun, hvordan den atomare og elektroniske orden i disse materialer udvikler sig under variable forhold.

"Når vi laver eksperimenter ved beamline, leder vi efter korrelationer og mønstre i data over tid. Så hvis vi skulle skrive ét langt program, der fanger alle mulighederne i vores eksperimenter, ville det være utroligt kompliceret, svært at læst, forfærdeligt at vedligeholde og et mareridt at automatisere. Men et kunstig intelligens-værktøj kan lære at håndtere vores komplekse data uden at skulle forklare alle detaljer for agenten," sagde Barbour.

Engag AI-agent for optimering

Men før et eksperiment kan starte, skal røntgenstrålen forberedes ved at justere de forskellige optiske komponenter i en strålelinje. Små, men præcise motorer gør det muligt for forskerne at flytte hver enkelt komponent efter behov. Der er motorer, der roterer spejle for at styre røntgenstrålerne, flere motorer, der flytter linser for at fokusere lyset, og endnu flere motorer, der styrer spalter for at forme strålen. Tilsammen giver alle disse dele den perfekte røntgenstråle til eksperimentet. Jo bedre strålen passer til eksperimentet, jo bedre datakvalitet for forskerne. Det er dog ikke let at finde denne perfekte stråle. Faktisk kalder forskere – såsom Rakitin – det et multidimensionelt optimeringsproblem.

"I stedet for at tweake hver motor for hvert datasæt, er vores projekt at udvikle en AI-agent, der kan foretage tweakingen for os automatisk. Målet er at give AI-programmet den form og/eller intensitet af den stråle, vi har brug for, og det vil finde ud af, hvordan man ændrer positionen af ​​hver motor for at opnå det. Dette skærer betydeligt ned på tiden til at få eksperimentet i gang," sagde Rakitin om et projekt, der blev præsenteret på den 14. internationale konference om synkrotronstrålingsinstrumentering (link til forløbet forventes i oktober) 2022).

Rakitin og hans teammedlemmer stræber faktisk efter at skabe en virtuel strålelinje, der giver brugerne mulighed for at finde ud af de bedste stråleforhold for deres eksperiment, inden de ankommer til anlægget. For at opnå det, kortlægger han hver motors adfærd til specifikke parametre, der repræsenterer fysiske egenskaber - såsom spejlradier - i en simulering af strålelinjen. Simuleringen er udviklet i en software kaldet Sirepo. En første undersøgelse af denne idé blev offentliggjort i 2020 i SPIE-konferenceproceduren.

"Mens brugerne kan bruge disse beamline-simuleringer til at lære at køre en beamline, kan vi også bruge den til at planlægge nye. Vi kan forberede simuleringen baseret på designs for beamline, selv før de fysiske stykker er sat sammen. beamline er klar, kan vi begynde kortlægningsprocessen af ​​motorerne til de specifikke parametre i simuleringen," sagde Rakitin.

I øjeblikket har NSLS-II 28 beamlines, men anlægget kan understøtte ca. yderligere 30 beamlines. Rakitin forventer, at en række nye beamlines vil bruge værktøjet under udviklingsprocessen.

Indstil AI til at bedøve

En af disse 28 strålelinjer er en røntgendiffraktionsstrålelinje kaldet Pair Distribution Function (PDF) beamline, hvor Olds fungerer. Det tjener mange brugere til høj-throughput total spredning strukturelle undersøgelser rettet mod at forstå struktur-egenskabsforhold i materialer fra nye batterier til "grøn" cement. Den stadigt skiftende karakter af forskningsspørgsmål på PDF udfordrer Olds i søgen efter den bedste målestrategi for hvert eksperiment. For at forbedre målingerne udvikler Olds forskellige AI-agenter, der overvåger data, måler dem og analyserer dem – som en digital laboratorieassistent.

"Det vigtigste spørgsmål, der driver vores AI-arbejde, er, hvordan vi kan udnytte ethvert eksperiment bedst muligt, fordi tid ved en strålelinje er en værdifuld, begrænset ressource. Når eksperimentet er slut, har du al tid i verden til at analysere dataene Men under eksperimentet er det afgørende ikke at gå glip af en vigtig ændring i dit materiale, der kan påvirke den opdagelse, du forsøger at gøre. Du vil have værktøjer, der kan hjælpe dig med at træffe bedre beslutninger, såsom hvornår du skal bremse en varmerampe, fordi du nærmer dig et interessant datapunkt, eller endda advare dig om, at en måling er afsluttet hurtigere end forventet. Det er her, vores 'sammenslutning' af AI-laboratorieassistenter kommer i spil. De overvåger dataene. De laver nogle realtidsanalyser. De ser tendenserne Og så når der sker noget, råber de. De fokuserer vores – menneskeforskernes – opmærksomhed på den rigtige detalje, så vi ikke går glip af det. AI-agenterne hjælper med at sikre, at vi gør den bedste videnskab, vi kan, " forklarede Olds.

Da han blev bedt om et eksempel, fortalte Dan om begivenhederne i et eksperiment. Forskerne kom til NSLS-II for at forstå nedbrydningen af ​​et gasfiltreringsmateriale. Sammen med Olds sætter de materialerne op i en strøm af gas, mens de hvert sekund tager et røntgenfoto. Hver snap skabte et mønster af lyse og mørke ringe (et diffraktionsmønster). Indkodet i disse skiftende ringe ligger information om, hvordan atomerne er arrangeret i materialet på det tidspunkt. Mens målingen kørte, vågnede en af ​​AI-agenterne op, hvilket indikerede, at noget var begyndt at ændre sig.

"Så vi tjekkede, men så ikke noget. Vi var stadig nye i det her. Så vi spekulerede på, 'kan vi stole på AI-agenten?" Men inden for en time stod det klart, at den proces, vi ledte efter, var startet. Det smukke hvide pulver vi placerede i beamline var ved at gå i stykker. Det eneste vi fandt efter eksperimentet var denne grimme sorte sprøde. 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. + Udforsk yderligere

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