Умнее экспериментов для быстрого обнаружения материалов

Группа ученых из Департамента энергетики Брукхейвенской национальной лаборатории и Национальной лаборатории Лоуренса в Беркли США разработан, создан и успешно испытан новый алгоритм, чтобы сделать умнее решения научных измерений. Алгоритм, форма искусственного интеллекта (AI), может принимать самостоятельные решения, чтобы определить и выполнить следующий шаг эксперимента. Команды описаны возможности и гибкость своего нового инструмента измерения в документе, опубликованном на 14 августа 2019 года, в научные доклады.

От Галилея и Ньютона до последних открытий гравитационных волн, выполняющих научные эксперименты, чтобы понять мир вокруг нас был движущей силой нашего технического прогресса за сотни лет. Совершенствование способов исследователей делать их опыты могут иметь огромное влияние на то, как быстро эти эксперименты доходности применим результаты новых технологий.

За последние десятилетия ученые ускорили своих экспериментов за счет автоматизации и постоянно растущий ассортимент инструментов быстрого измерения. Однако, некоторые наиболее интересные и важные научные задачи, такие как создание улучшенных материалов батареи для хранения энергии или новых квантовых материалов для новых типов компьютеров-по-прежнему требует очень сложных и трудоемких экспериментов.

Путем создания новых решений алгоритм как часть полностью автоматизированной экспериментальной установки, междисциплинарная группа из двух Брукхейвен в ДОУ управление науки — пользователей услуг Центра функциональных наноматериалов (CFN ПО) и Национального источника синхротронного излучения в области II (NSLS-II) и … и Беркли лаборатории Центра передовых математических исследований в энергетике приложений (камера) дает возможность изучать эти проблемы в более эффективным способом.

Проблемой сложности

Цель многих экспериментов является получение знаний о материале, который изучается, и ученые хорошо проверенный способ: они берут пробу материала и оценить, как он реагирует на изменения в окружающей среде.

Стандартный подход для ученых на объектах потребителя как NSLS-II и CFN является для сканирования вручную путем измерений из данного эксперимента определить следующую зону, где они могли бы провести эксперимент. Но доступ к этим объектам высококачественных материалов-характеристика инструментов ограничен, поэтому время измерения драгоценных. Исследовательская группа может иметь только несколько дней для оценки их материалов, поэтому они должны сделать большинство из каждого измерения.

«Ключ к достижению минимального количества измерений и максимальное качество получаемой модели идти туда, где большой неопределенности», — сказал Маркус НОАК, докторской ученый в камеру и ведущий автор исследования. «Выполнение измерений будет наиболее эффективно снизить общую модель неопределенности».

Как Кевин Ягер, соавтор и глядя ученый, отметил, что «конечная цель-не только получить данные быстрее, но и улучшить качество данных, которые мы собираем. Я думаю о нем, как экспериментаторов переключения от мелочной опеки своего эксперимента в управлении на более высоком уровне. Вместо того, чтобы решить, где проводить измерения рядом на образце, ученые могут вместо того, чтобы думать о большой картине, которая в конечном итоге то, что мы, как ученые пытаются сделать».

«Этот новый подход является прикладной пример искусственного интеллекта», — сказал соавтор Масафуми Fukuto, ученый NSLS-II степени. «Алгоритм принятия решений является замена интуиция человека экспериментатор и может сканировать данные и принимать более взвешенные решения о том, как этот эксперимент должен продолжаться.»

Больше информации за меньшее?

На практике, перед началом эксперимента, ученые определяют набор целей, которые они хотят получить из измерений. С этими целями, алгоритм смотрит на ранее измеренные данные во время эксперимента проводится для определения следующего измерения. В поисках лучшей следующее измерение, алгоритм создает суррогатную модель данных, которая представляет собой обоснованное предположение относительно того, как материал будет вести себя в ближайшие возможные шаги, и вычисляет неопределенности-в основном как уверен в своей догадке … для каждого возможного следующего шага. Исходя из этого, затем он выбирает наиболее неопределенным параметром для измерения следующий. Хитрость тут в том, выбирая самый неуверенный шаг измерения далее, алгоритм увеличивает объем знаний он получит, сделав то, что измерение. Алгоритм максимизирует не только получить информацию во время измерения, она также определяет, когда закончить эксперимент, выясняя, в тот момент, когда никаких дополнительных измерений не приведет к более глубоких знаний.

«Основная идея заключается в том, дали кучу экспериментов, как вы можете автоматически выбрать следующий лучшим?» — сказал Джеймс Sethian, директор камерой и соавтор исследования. «Маркус построил мир, который строит приблизительную суррогатная модель, исходя из ваших предыдущих экспериментов и предлагает лучшие и наиболее подходящих эксперимента в следующий раз».

Как мы сюда попали

Принимать самостоятельные эксперименты реальностью, команда должна была решать три важные части: автоматизация сбора данных, анализа в режиме реального времени, и, конечно, алгоритм принятия решений.

«Это захватывающая часть этого сотрудничества», — сказал Fukuto. «Мы все предоставляемые важной частью его: съемочная группа работала на алгоритм принятия решений, Кевин от глядя разработала анализа данных в реальном времени, и мы в NSLS-II дают автоматизации измерений.»

Команда впервые реализовали свои решения алгоритма на сложных материалах рассеяния (КМВ) частей в NSLS-II, который CFN и NSLS-II для работы в партнерстве. Этот инструмент предлагает ультраярких рентгеновских лучей для исследования наноструктуры различных материалов. Как ведущий ученый частей этого инструмента, Fukuto уже разработан приспособленный канал с автоматизацией в виду. В части канала предлагает образец-обмен робот, автоматическая образцов движения в различных направлениях, и многих других полезных инструментов для обеспечения быстрого измерения. Вместе с в режиме реального времени анализ данных Ягер, то частей было … по дизайн-идеально подходят для первых «умных» эксперимент.

Первые «умные» эксперимент

Первый полностью автономный эксперимента команда провела в периметре капли где наночастицы отделяют, используя метод малоуглового рентгеновского рассеяния в ЦМШ частей. Во время малоуглового рассеяния рентгеновских лучей, ученые сиять рентгеновских лучей в образце и, в зависимости от атомного до наноразмерной структурой образца, рентгеновские лучи отскакивают в разные стороны. Затем ученые используют большие детектор для улавливания рассеянных рентгеновских лучей и расчета свойств образца на освещенном месте. В этом первом эксперименте ученые сравнили стандартный подход измерения пробы с выполнением измерений, когда новый процесс принятия решений алгоритм был командовать. Алгоритм смог для определения площади капли, а сосредоточены на его кромки и внутренние части, а не на фоне.

«После нашего первого успеха, мы хотели применить алгоритм больше, поэтому мы обратились к нескольким пользователям и предложили протестировать наш новый алгоритм на свои научные проблемы», — сказал Ягер. «Они сказали, что да, и с тех пор мы измерили различные образцы. Одним из самых интересных было проведено исследование на выборке, которое было создано, чтобы содержать целый спектр разных типов материалов. Поэтому вместо того, чтобы делать измерения и огромное количество образцов и, возможно, отсутствует интересная комбинация, пользователь сделал один образец, который включал все возможные комбинации. Тогда наш алгоритм был в состоянии эффективно исследовать это огромное разнообразие комбинаций», — сказал он.

Что дальше?

После первых успешных экспериментов, ученые планируют усовершенствовать алгоритм и поэтому ее значение для научного сообщества. Одна из их идей-сделать алгоритм «физика-курсе» — пользуясь что-нибудь уже известно о исследуемый материал-поэтому этот метод может быть еще более эффективным. Еще одним достижением прогресса является использование алгоритма при синтезе и переработке новых материалов, например для понимания и оптимизации процессов, связанных с передовыми производственными, так как эти материалы включаются в реальных устройствах. Команда также думать о более широкую картину и хочет передать автономный метод для других экспериментальных установок.

«Я думаю, что пользователи просматривают пучковых канала уже в NSLS-II или микроскопы глядя как мощный инструмент характеризации. Мы пытаемся изменить эти возможности в мощный материал открытие объекта», — сказал Fukuto.