人工智能破译探测器云以加速材料研究

X射线可以像超高速原子分辨率相机一样使用，如果研究人员在片刻之间拍摄一对X射线脉冲，他们会在两个时间点获得系统的原子分辨率快照。比较这些快照可以显示材料如何在几分之一秒内波动，这可以帮助科学家设计未来几代超高速计算机、通信和其他技术。

然而，解决这些X射线快照中的信息既困难又耗时，因此能源部SLAC国家加速器中心和斯坦福大学的首席科学家JoshuaTurner和其他十位研究人员转向人工智能来自动化该过程.他们的机器学习辅助方法于10月17日在StructuralDynamics上发表，加速了这种X射线探测技术，并将其扩展到以前无法访问的材料。

“对我来说最令人兴奋的是，我们现在可以访问不同范围的测量，这是我们以前无法做到的，”特纳说。

处理blob

在使用这种双脉冲技术研究材料时，X射线会从材料中散射出来，通常一次只能检测到一个光子。探测器测量这些散射光子，这些光子用于产生散斑图案——一种斑点图像，代表样品在某一时刻的精确配置。研究人员比较每对脉冲的散斑图案，以计算样本的波动。

“然而，每个光子都会在探测器上产生电荷爆炸，”特纳说。“如果光子太多，这些电荷云就会合并在一起，形成一个无法辨认的斑点。”这种噪音云意味着研究人员必须收集大量散射数据才能清楚地了解散斑图案。

“你需要大量数据来弄清楚系统中发生了什么，”博士SathyaChitturi说。领导这项工作的斯坦福大学学生。Turner和合著者MikeDunne为他提供建议，他是SLAC直线加速器相干光源(LCLS)X射线激光器的主管。

使用传统方法，必须首先收集所有数据，然后使用估计光子如何在探测器处聚集在一起的模型进行分析——这是一个了解散斑图案的漫长过程。

另一方面，机器学习方法使用散射光子的原始探测器图像直接提取波动信息。这种新方法本身的速度提高了10倍，与改进的硬件结合使用时速度提高了100倍，从而可以更接近实时地进行数据分析。

新方法的部分成功来自合著者尼古拉斯·伯德特(NicolasBurdet)的努力，他是SLAC的副研究员，他开发了一个模拟器，该模拟器可以生成用于训练机器学习模型的数据。通过这种训练，该算法能够了解电荷云如何合并，并解开每个斑点和每个脉冲对有多少光子撞击探测器。即使在非常脏的条件下，该模型也被证明是准确的。

超越云层

该模型可以提取一系列难以研究的材料的信息，因为X射线对它们的散射太弱而无法检测，例如高温超导体或量子自旋液体。Chitturi说，新方法也可以应用于其他非量子材料，包括胶体、合金和玻璃。

特纳说，这项研究应该有助于LCLS-II升级，这将允许研究人员每秒收集多达一百万张图像或几TB的数据，而LCLS每秒大约可以收集一百张图像。

“在SLAC，我们对这次升级感到兴奋，但也有点担心我们是否能够处理这么多的数据，”特纳说。在一篇相关论文中，该团队发现他们的新技术应该足够快以处理所有这些数据。“这个新算法真的很有帮助。”

人工智能提供的速度提升也有望改变实验过程本身。研究人员无需在数据收集和分析后做出决策，而是能够在数据收集过程中分析数据并进行更改，这可以节省实验期间花费的时间和金钱。它还将使研究人员能够实时发现意外并重定向他们的实验以调查意外现象。

“这种方法可以让你探索更多你感兴趣的材料科学，并通过让你在实验过程中的不同点就温度、磁场和材料成分等实验变量的变化做出决定，从而最大限度地发挥科学影响，”Chitturi说。

该研究是SLAC、东北大学和霍华德大学之间更大合作的一部分，旨在利用机器学习来推进材料和化学研究。