Newswise – Forscher von Argonne haben eine automatische Technik entwickelt, die Lücken in Röntgendaten füllen kann.
Das Zusammensetzen eines Puzzles ist eine unterhaltsame Aktivität für einen regnerischen Sonntagnachmittag. Aber der etwas schwierigere Prozess des schnellen Zusammensetzens von wissenschaftlichen 3D-Puzzles – atomare Strukturen verschiedener Materialien – ist in letzter Zeit viel einfacher geworden, dank neuer Forschungen, die leistungsstarke Röntgenstrahlen mit fortschrittlichen Computermethoden kombinieren.
Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) haben eine neue Technik entwickelt, die die Auflösung von Materialstrukturen aus in Röntgenexperimenten entdeckten Mustern beschleunigt. Die Technik ermöglicht es Forschern, bestimmte Eigenschaften wie Korrosion oder das Laden und Entladen von Batterien in Echtzeit zu untersuchen.
„Bei der Art der Beugung, die wir verwenden, ist es eine Herausforderung, die Phaseninformationen zu erhalten; Es ist, als würde man herausfinden, wie alle Teile (des Puzzles) zusammenpassen, nur basierend auf den Farben, die man auf jedem Teil sehen kann. — Yudong Yao, Nationales Argonne-Labor.
Die Technik namens AutoPhaseNN basiert auf einer Methode namens maschinelles Lernen, das einen Algorithmus anhand bestimmter experimenteller Daten trainiert und diese dann verwendet, um das wahrscheinlichste Ergebnis des aktuellen Experiments auszuwählen. Die in diesem Fall verwendeten Daten wurden erzeugt, indem ultrahelle Röntgenstrahlen von der Advanced Photon Source (APS) von Argonne auf ein Material gestrahlt und das Licht beim Zurückprallen eingefangen wurden, ein Prozess, der als Beugung bezeichnet wird. Das APS ist eine Benutzereinrichtung des DOE Office of Science in Argonne.
Neue Techniken sind wichtig, da sich das APS mitten in einer massiven Aufrüstung befindet, die die Helligkeit seiner Röntgenstrahlen um das bis zu 500-fache erhöhen wird. Das bedeutet, dass mehr Daten schneller gesammelt werden, sobald das aktualisierte APS im Jahr 2024 online geht, und Wissenschaftler eine Möglichkeit brauchen werden, mit der Analyse dieser Daten Schritt zu halten. Maschinelles Lernen Lösungen wie AutoPhaseNN werden in Zukunft ein wesentlicher Bestandteil der schnelleren Datenanalyse sein, die bei APS sowie vergleichbaren Einrichtungen auf der ganzen Welt benötigt wird.
AutoPhaseNN ist ein Beispiel für eine „unbeaufsichtigte“ maschinelles LernenDas bedeutet, dass der Computeralgorithmus aus eigener Erfahrung lernt, um eine Berechnung genauer und effizienter durchzuführen, ohne dass er mit bereits entwickelten gekennzeichneten Lösungen trainiert werden muss, ein Prozess, der normalerweise menschliches Eingreifen erfordert.
„Dieser neue Algorithmus ist im Wesentlichen in der Lage, das zu lösen, was wir ein umgekehrtes Problem nennen, indem er die Teile des Puzzles in das Puzzle selbst verwandelt“, sagte Argonne, Informatiker und Gruppenleiter Mathew Cherukara, ein Autor der Studie. „Im Wesentlichen nehmen wir eine Reihe von Beobachtungen und versuchen, die Bedingungen zu identifizieren, die sie geschaffen haben. Anstatt das Puzzle durch wiederholtes Ausprobieren und Überarbeiten auf Basis des Vorwissens zu lösen, setzt unser Algorithmus das Puzzle aus den Bruchstücken in einem Schritt zusammen.“
Um Informationen über die Struktur eines Materials zu erhalten, müssen Wissenschaftler nicht nur Informationen über die Amplitude des gebeugten Signals, sondern auch über seine Phase erhalten. Die Amplitude oder Intensität ist jedoch der einzige Teil, der direkt gemessen werden kann.
Da die zur Beleuchtung der Probe verwendeten Röntgenstrahlen kohärent sind – was bedeutet, dass sie anfangs alle dieselbe Phase teilen – kann jede Phasenänderung, die als Ergebnis der Beugung auftritt, an die Probe selbst zurückgesendet werden, sagte der Nanowissenschaftler Argonne und Co-Autor Heinrich Chan.
„Das Abrufen der Phase ist für das Verständnis der Struktur unerlässlich – die meisten relevanten Informationen werden in der Phase gefunden“, sagte der Hauptautor Yudong Yao, ein Argonne-Röntgenphysiker zum Zeitpunkt dieser Studie. „Bei der Art der Beugung, die wir verwenden, ist es eine Herausforderung, die Phaseninformationen zu erhalten; Es ist, als würde man herausfinden, wie alle Teile zusammenpassen, nur basierend auf den Farben, die man auf jedem Teil sehen kann.
Damit herkömmliche, überwachte neuronale Netze dieses umgekehrte Problem lösen könnten, hätten die Forscher „kaputte Puzzles“ mit vollständig zusammengesetzten Beispielen paaren müssen, damit das neuronale Netz etwas zum Trainieren hatte. Mit einem ungeschützten neuronalen Netzwerk kann der Algorithmus lernen, das Puzzle nur aus den zerbrochenen Teilen zusammenzusetzen. Das resultierende Netzwerk ist schnell, genau und (im Gegensatz zu herkömmlichen Methoden) in der Lage, 3D-Bilder in Echtzeit an wissenschaftliche Nutzer von Einrichtungen wie dem APS zu liefern.
Ein auf der Studie basierendes Papier mit dem Titel „AutoPhaseNN: Unsupervised Physical-Aware Deep Learning of 3D Nanoscale Bragg Coherent Diffraction Imaging“ erschien am 3. Juni in der Online-Ausgabe von NPJ Computational Materials. Neben Cherukara und Yao sind weitere Autoren Henry Chan van Argonne, Subramanian Sankaranarayanan, Prasanna Balaprakash und Ross Harder.
Die Arbeit wurde vom Office of Science (Office of Basic Energy Sciences) des DOE finanziert. Diese Forschung nutzte Ressourcen des Center for Nanoscale Materials und der Argonne Leadership Computing Facility, die Benutzereinrichtungen des DOE Office of Science sind, und des Laboratory Computing Resource Center in Argonne.
Über die Advanced Photon Source
Die Advanced Photon Source (APS) des US Department of Energy Office of Science im Argonne National Laboratory ist eine der weltweit produktivsten Einrichtungen für Röntgenlichtquellen. Das APS stellt einer vielfältigen Gemeinschaft von Forschern in den Bereichen Materialwissenschaften, Chemie, Physik der kondensierten Materie, Lebens- und Umweltwissenschaften sowie angewandte Forschung ultrahelle Röntgenstrahlen zur Verfügung. Diese Röntgenstrahlen eignen sich ideal für die Erforschung von Materialien und biologischen Strukturen; elementare Verteilung; chemische, magnetische, elektronische Zustände; und eine große Auswahl an technologisch wichtigen Engineering-Systemen von: Batterien bis hin zu Einspritzdüsensprays, die alle die Grundlage für das wirtschaftliche, technologische und physische Wohlergehen unserer Nation bilden. Jedes Jahr verwenden mehr als 5.000 Forscher die APS, um mehr als 2.000 Publikationen zu erstellen, in denen wichtige Entdeckungen detailliert beschrieben und mehr lebenswichtige biologische Proteinstrukturen gelöst werden als Benutzer irgendeiner anderen Forschungseinrichtung für Röntgenlichtquellen. APS-Wissenschaftler und -Ingenieure erfinden Technologien, die das Herzstück des fortschreitenden Betriebs von Beschleunigern und Lichtquellen bilden. Dazu gehören Einführgeräte, die extrem helle Röntgenstrahlen erzeugen, die von Forschern geschätzt werden, Linsen, die die Röntgenstrahlen auf wenige Nanometer fokussieren, Instrumente, die die Art und Weise verändern, wie die Röntgenstrahlen mit den zu untersuchenden Proben interagieren, und Software, die Daten sammelt und verwaltet die riesigen Datenmengen, die bei der Entdeckungsforschung an der APS anfallen.
Diese Studie verwendete Ressourcen der Advanced Photon Source, einer Benutzereinrichtung des US DOE Office of Science, die vom Argonne National Laboratory für das DOE Office of Science unter der Vertragsnummer DE-AC02-06CH11357 betrieben wird.
Argonne National Laboratory sucht nach Lösungen für drängende nationale Probleme in Wissenschaft und Technologie. Argonne, das erste nationale Labor des Landes, führt branchenführende Grundlagen- und angewandte wissenschaftliche Forschung in praktisch allen wissenschaftlichen Disziplinen durch. Argonne-Forscher arbeiten eng mit Forschern aus Hunderten von Unternehmen, Universitäten und Bundes-, Landes- und Kommunalbehörden zusammen, um ihnen bei der Lösung ihrer spezifischen Probleme zu helfen, Amerikas wissenschaftliche Führung voranzubringen und die Nation auf eine bessere Zukunft vorzubereiten. Mit Mitarbeitern aus mehr als 60 Ländern wird Argonne geführt von: Chicago Argonne, LLC für die Office of Science des Energieministeriums der Vereinigten Staaten.
Das Office of Science des US-Energieministeriums ist der führende Befürworter der Grundlagenforschung in den Vereinigten Staaten und arbeitet daran, einige der dringendsten Herausforderungen unserer Zeit anzugehen. Für weitere Informationen besuchen Sie https://energy.gov/science.
