L'analyse en temps réel des données à rayons X avec DONUT accélère la science des matériaux

Le laboratoire national d'Argonne du Département américain de l'énergie a introduit un outil novateur appelé DONUT, qui permet l'analyse en temps réel des données de rayons X et accélère considérablement la recherche en sciences des matériaux. Développé grâce à une collaboration entre l'Advanced Photon Source (APS) et le Center for Nanoscale Materials (CNM), les deux installations utilisatrices du Bureau des sciences du DOE, l'outil tire parti de l'apprentissage en profondeur pour interpréter instantanément des données complexes de diffraction des rayons X. Cette innovation marque un changement vers une expérimentation plus dynamique et plus réactive, permettant aux chercheurs d'adapter leurs stratégies en temps réel.

DONUT, abréviation de Diffraction with Optics for Nanobeam by Unsupervised Training, est un réseau neuronal conscient de la physique conçu pour comprendre comment les faisceaux de rayons X interagissent avec les matériaux. En intégrant les principes fondamentaux de la physique dans son architecture, l'outil améliore la précision des prédictions concernant les structures des matériaux. Le système a été développé et testé à l'aide des données de la ligne de faisceau Hard X-ray Nanoprobe, qui combine les ressources de l'APS et du CNM.

Les méthodes traditionnelles d'analyse des données de la microscopie à diffraction de rayons X, en particulier la microscopie à nanodiffraction à rayons X (SXDM), étaient connues pour être lentes et laborieuses. Ces techniques nécessitaient souvent des semaines voire des mois pour produire des résultats, limitant la capacité des chercheurs à itérer rapidement ou à explorer de nouvelles hypothèses. DONUT répond à ces défis en traitant les données en temps réel, offrant des résultats qui peuvent être des centaines de fois plus rapides que les approches conventionnelles. Cette capacité permet aux scientifiques d'affiner leurs expériences de manière dynamique, améliorant l'efficacité et la profondeur de la perspicacité.

SXDM est une technique sophistiquée qui cartographie la structure cristalline des matériaux en dirigeant un faisceau de rayons X focalisé sur un échantillon. Cette méthode fournit des informations essentielles sur le fonctionnement des matériaux dans des applications allant de la technologie des batteries à la catalyse et à l'électronique. Cependant, la complexité des données générées par SXDM, caractérisées par de multiples couches et dimensions, a historiquement rendu l'interprétation difficile.

Contrairement aux systèmes d'IA traditionnels qui nécessitent des données d'entraînement étiquetées, DONUT apprend directement à partir d'entrées expérimentales, éliminant ainsi le besoin de jeux de données pré-étiquetés. Ce mécanisme d'auto-formation rend l'outil hautement adaptable, permettant aux utilisateurs d'adapter les prédictions en fonction d'objectifs expérimentaux spécifiques. Selon Mathew Cherukara, un scientifique informatique à Argonne, la flexibilité de DONUT permet des analyses personnalisées, fournissant efficacement une " recette " unique pour chaque enquête scientifique. Les capacités en temps réel de DONUT ouvrent de nouvelles possibilités d'expérimentation autonome.

Les chercheurs de l'APS peuvent désormais concevoir et exécuter des expériences autonomes, où la prise de décision est guidée par des commentaires immédiats provenant de la collecte de données en cours. Cette fonctionnalité est particulièrement précieuse pour les études impliquant le comportement des matériaux dans le monde réel, où une adaptation rapide est essentielle.

L'outil simplifie non seulement l'analyse des données, mais réduit également les obstacles à l'entrée pour les nouveaux utilisateurs, favorisant une participation plus large à l'exploration scientifique de pointe.