Лаборатория Аргонн представила инструмент DONUT для ускорения анализа данных нанорентгеновской дифракции в реальном времени

Исследователи Аргоннской национальной лаборатории Министерства энергетики США разработали новый инструмент машинного обучения под названием DONUT для ускорения анализа рентгеновских данных в экспериментах на передовом источнике фотонов (APS). Этот инструмент позволяет обрабатывать сложные изображения, получаемые с помощью сканирующего рентгеновского нанодифракционного микроскопа (SXDM), в реальном времени в ходе эксперимента, помогая исследователям быстрее определять изменения внутренней структуры материалов.

DONUT расшифровывается как “нанолучевая оптическая дифракция на основе обучения без учителя” и представляет собой физически информированную нейронную сеть. Его особенность заключается в сочетании методов искусственного интеллекта с физическими моделями взаимодействия сфокусированного рентгеновского пучка с материалами, что позволяет обучаться непосредственно на экспериментальных данных без зависимости от предварительно размеченных обучающих образцов. Исследовательская группа отмечает, что такая конструкция сокращает объём ручного сопоставления измеренных и смоделированных дифракционных картин в традиционном анализе данных, а также снижает порог входа для новых пользователей высокотехнологичных источников излучения.

Сканирующая рентгеновская нанодифракционная микроскопия способна раскрывать кристаллическую структуру материалов на наноуровне, что имеет важное значение для исследований аккумуляторных материалов, катализаторов, а также передовых электронных и магнитных устройств. Однако данные, получаемые в таких экспериментах, отличаются высокой размерностью и сложной структурой, и в прошлом их анализ мог занимать недели и даже месяцы. Благодаря DONUT исследователи могут получать результаты анализа непосредственно на месте проведения эксперимента, причём в некоторых случаях скорость обработки в сотни раз превышает традиционные методы, что позволяет своевременно корректировать план эксперимента.

Исследователи отмечают, что возможность анализа в реальном времени, обеспечиваемая DONUT, также создаёт основу для автономных экспериментов. В таких экспериментах система может автоматически определять дальнейшее направление измерений на основе последних данных, что особенно актуально для исследований in situ материалов в быстро меняющихся условиях. По мере того как модернизированный APS способен генерировать рентгеновские пучки более высокой яркости и собирать данные с более высокой скоростью, DONUT помогает исследователям успевать за темпом генерации данных и проводить более сложные динамические эксперименты.

В настоящее время исследовательская группа пытается расширить применение DONUT от анализа в реальном времени до автоматизации экспериментов, включая разработку новой версии для автономной микроскопии, а также изучает потенциал применения его физически информированной обучающей структуры в других передовых методах визуализации. Результаты соответствующего исследования опубликованы в журнале npj Computational Materials.