Forskere forbedrer røntgendataanalyse med kunstig intelligens

Kunstig intelligens (AI) transformerer ethvert videnskabeligt område, fra biologi til materialevidenskab. Når det kommer til nogle typer røntgeneksperimenter, har nye AI-tilgange gjort det muligt for forskere at opnå en mere nøjagtig analyse af deres prøver og at gøre det på meget kortere tid.

En gruppe forskere ved det amerikanske energiministeriums (DOE) Argonne National Laboratory udnytter AI til at udføre den udfordrende opgave at analysere data fra højenergi røntgeneksperimenter. Med en ny neural netværksbaseret metode kaldet BraggNN kan Argonne-teamet mere præcist identificere Bragg-toppe - datapunkter, der angiver positioner og orienteringer af små individuelle krystaller - på en brøkdel af den tid, de plejede.

Neurale netværk (NN i BraggNN) er algoritmer, der leder efter mønstre i data og over tid lærer at forudsige resultater, hvilket fremskynder analysen af ​​disse data.

"BraggNN giver os langt større effektivitet og hastighed end konventionelle teknikker," sagde Argonnes Antonino Miceli, en forfatter på papiret og en gruppeleder ved Advanced Photon Source (APS), en DOE Office of Science brugerfacilitet i Argonne.

I de senere år er en teknik kaldet high-energy diffraction microscopy (HEDM) blevet en af ​​de mest populære måder, videnskabsmænd bruger til præcist at karakterisere komplicerede materialer med høj opløsning. Selvom HEDM har vist sig at være en stor forbedring i forhold til konventionelle teknikker, kan det også være dyrt og tidskrævende. Det involverer indsamling af enorme datasæt, analyse af millioner af Bragg-diffraktionstoppe og rekonstruktion af prøven ved hjælp af disse toppe.

Den forestående opgradering af APS forventes at forbedre hastigheden af ​​HEDM-dataopsamling betydeligt til et minut eller mindre. Men beregningstiden til at gennemføre analyse af flere Bragg-toppe kan strække sig til timer eller uger, selv med de største supercomputere. Ikke alene gør sådanne forsinkelser forskningen langsommere, de forhindrer også brugen af ​​HEDM-information til at styre eksperimenter. For eksempel kunne forskere, der studerer, hvordan revner dannes i materialer, bruge de analyserede data til at spore, hvor disse revner opstår, tæt på realtid.

For at løse disse udfordringer vendte forskerne ved APS sig til AI for at accelerere og strømline Bragg-spidsanalysen. Den konventionelle metode går ud på at bruge en 2D- eller 3D-model og tilpasse topdataene til den, men forskerholdets nye model kan direkte bestemme toppositionerne ud fra dataene.

"Konventionelle metoder fungerer som at prøve et jakkesæt hos en skrædder," sagde Argonne beregningsforsker Hemant Sharma, en forfatter på undersøgelsen. "Først skal du prøve en estimeret form og derefter lave en formtilpasning efter den. Med vores teknik, ved hjælp af et neuralt netværk, er det som at generere det perfekte jakkesæt med det samme fra blot et fotografi af en person."

Efter at modellen var blevet trænet på data indeholdende diffraktionstoppe, var forskerne i stand til dramatisk at fremskynde analysen og forbedre nøjagtigheden. "Den sande præstation er, at vi lavede topbestemmelser meget hurtigere og også leverede sub-pixel nøjagtighed - guldstandarden for at drage nyttige konklusioner," sagde Argonne computerforsker Zhengchun Liu, den første forfatter på papiret.

De avancerede beregningsmetoder, der bruges af BraggNN, er særligt befordrende for brug på en grafikprocessor (GPU)-chip, hvilket hjælper med at accelerere ydeevnen yderligere.

Holdet brugte ThetaGPU-systemet på Argonne Leadership Computing Facility (ALCF), en DOE Office of Science-brugerfacilitet og Cerebras AI-platformen på ALCF AI Testbed til hurtigt at træne modellen.

Et papir baseret på undersøgelsen blev offentliggjort i Journal of the International Union of Crystallography . + Udforsk yderligere

Nu i 3D:Deep learning-teknikker hjælper med at visualisere røntgendata i tre dimensioner