Echtzeit-Röntgen-Datenanalyse mit DONUT beschleunigt die Materialwissenschaft

Das Argonne National Laboratory des US-Energieministeriums hat ein bahnbrechendes Werkzeug namens DONUT eingeführt, das eine Echtzeitanalyse von Röntgendaten ermöglicht und die Materialwissenschaftliche Forschung erheblich beschleunigt.

DONUT, kurz für Diffraction with Optics for Nanobeam by Unsupervised Training, ist ein physikalisch bewusstes neuronales Netzwerk, das entwickelt wurde, um zu verstehen, wie Röntgenstrahlstrahlen mit Materialien interagieren. Durch die Integration grundlegender Prinzipien der Physik in seine Architektur verbessert das Tool die Genauigkeit von Vorhersagen bezüglich der Materialstrukturen. Das System wurde mit Daten der Hard-X-Ray Nanoprobe Beamline entwickelt und getestet, die Ressourcen des APS und des CNM kombiniert. Die Studie, die in der Zeitschrift npj Computational Materials veröffentlicht wurde, hebt das Potenzial von DONUT hervor, wie Wissenschaftler die Charakterisierung von Materialien verändern.

Traditionelle Methoden zur Analyse von Röntgendiffraktionsmikroskopie-Daten, insbesondere die Röntgen-Scan-Nanodiffraktionsmikroskopie (SXDM), waren dafür bekannt, langsam und arbeitsintensiv zu sein. Diese Techniken erforderten oft Wochen oder sogar Monate, um Ergebnisse zu erzielen, was die Fähigkeit der Forscher einschränkte, schnell zu iterieren oder neue Hypothesen zu erforschen. DONUT befasst sich mit diesen Herausforderungen, indem es Daten in Echtzeit verarbeitet und Ergebnisse bietet, die hunderte Male schneller sein können als herkömmliche Ansätze. Diese Fähigkeit ermöglicht es Wissenschaftlern, ihre Experimente dynamisch zu verfeinern, die Effizienz und die Tiefe der Einsicht zu verbessern.

SXDM ist eine ausgeklügelte Technik, mit der die Kristallstruktur von Materialien durch die Leitung eines fokussierten Röntgenstrahls über eine Probe abgebildet wird. Diese Methode liefert wichtige Informationen darüber, wie Materialien in Anwendungen von der Batterietechnologie bis zur Katalyse und Elektronik funktionieren. Die Komplexität der durch SXDM erzeugten Daten, die durch mehrere Schichten und Dimensionen gekennzeichnet sind, hat jedoch die Interpretation in der Vergangenheit schwierig gemacht. Wissenschaftler verließen sich zuvor auf den manuellen Vergleich von experimentellen Daten mit simulierten Mustern, ein Prozess, der nicht nur zeitaufwendig, sondern auch anfällig für menschliche Fehler war. DONUT führt einen neuartigen Ansatz ein, indem er künstliche Intelligenz mit eingebetteten Physikmodellen zusammenführt.

Im Gegensatz zu herkömmlichen KI-Systemen, die markierte Trainingsdaten benötigen, lernt DONUT direkt aus experimentellen Eingängen, wodurch die Notwendigkeit von vorab markierten Datensätzen entfällt. Dieser Selbsttrainingsmechanismus macht das Tool sehr anpassungsfähig und ermöglicht es Benutzern, Vorhersagen nach spezifischen experimentellen Zielen anzupassen. Laut Mathew Cherukara, einem Computerwissenschaftler bei Argonne, ermöglicht die Flexibilität von DONUT maßgeschneiderte Analysen und bietet effektiv ein einzigartiges "Rezept" für jede wissenschaftliche Untersuchung. Die Echtzeitfunktionen von DONUT eröffnen neue Möglichkeiten für autonome Experimente.

Aileen Luo, Assistenz-Rechenwissenschaftlerin an der Argonne und der Cornell University, betonte, dass die Unmittelbarkeit der Ergebnisse den experimentellen Prozess transformiert, schneller Reaktionen und fundiertere Entscheidungen ermöglicht.

Das Instrument rationalisiert nicht nur die Datenanalyse, sondern senkt auch die Eintrittsbarrieren für neue Benutzer und fördert eine breitere Beteiligung an der neuesten wissenschaftlichen Erforschung.Mit weiterer Verfeinerung und Anwendung ist DONUT bereit, das Tempo und den Umfang der Materialentdeckung in den kommenden Jahren neu zu definieren.