L'analisi dei dati a raggi X in tempo reale con DONUT accelera la scienza dei materiali

Il Dipartimento dell'Energia statunitense dell'Argonne National Laboratory ha introdotto uno strumento innovativo chiamato DONUT, che consente l'analisi in tempo reale dei dati a raggi X e accelera significativamente la ricerca scientifica sui materiali. Sviluppato attraverso la collaborazione tra l'Advanced Photon Source (APS) e il Center for Nanoscale Materials (CNM), entrambe strutture utente dell'Ufficio della Scienza del DOE, lo strumento sfrutta l'apprendimento profondo per interpretare istantaneamente dati complessi di diffrazione a raggi X. Questa innovazione segna un cambiamento verso una sperimentazione più dinamica e reattiva, consentendo ai ricercatori di adattare le loro strategie in tempo reale.

DONUT, acronimo di Diffraction with Optics for Nanobeam by Unsupervised Training, è una rete neurale consapevole della fisica progettata per comprendere come i raggi X interagiscono con i materiali. Integrando i principi fondamentali della fisica nella sua architettura, lo strumento migliora l'accuratezza delle previsioni riguardanti le strutture dei materiali. Il sistema è stato sviluppato e testato utilizzando i dati della linea di fascia Hard X-ray Nanoprobe, che combina le risorse dell'APS e del CNM. Pubblicato sulla rivista npj Computational Materials, lo studio evidenzia il potenziale di DONUT per rivoluzionare il modo in cui gli scienziati si avvicinano alla caratterizzazione dei materiali.

I metodi tradizionali di analisi dei dati di microscopia a diffrazione a raggi X, in particolare la microscopia a scansione a nanodiffrazione a raggi X (SXDM), erano noti per essere lenti e laboriosi. Queste tecniche richiedevano spesso settimane o addirittura mesi per produrre risultati, limitando la capacità dei ricercatori di iterare rapidamente o esplorare nuove ipotesi. DONUT affronta queste sfide elaborando i dati in tempo reale, offrendo risultati che possono essere centinaia di volte più veloci degli approcci convenzionali. Questa capacità consente agli scienziati di perfezionare i loro esperimenti dinamicamente, migliorando l'efficienza e la profondità di comprensione.

SXDM è una tecnica sofisticata che mappa la struttura cristallina dei materiali dirigendo un fascio di raggi X focalizzato su un campione. Questo metodo fornisce informazioni critiche su come funzionano i materiali in applicazioni che vanno dalla tecnologia delle batterie alla catalisi e all'elettronica. Tuttavia, la complessità dei dati generati da SXDM, caratterizzati da più strati e dimensioni, ha storicamente reso difficile l'interpretazione. Gli scienziati in precedenza si basavano sul confronto manuale dei dati sperimentali con modelli simulati, un processo che non solo richiedeva tempo ma era anche suscettibile di errori umani. DONUT introduce un nuovo approccio fondendo l'intelligenza artificiale con modelli di fisica incorporati.

A differenza dei tradizionali sistemi di IA che richiedono dati di addestramento etichettati, DONUT impara direttamente dagli input sperimentali, eliminando la necessità di set di dati pre-etichettati. Questo meccanismo di auto-addestramento rende lo strumento altamente adattabile, consentendo agli utenti di personalizzare le previsioni in base a specifici obiettivi sperimentali. Secondo Mathew Cherukara, uno scienziato computazionale di Argonne, la flessibilità di DONUT consente analisi personalizzate, fornendo efficacemente una "ricetta" unica per ogni indagine scientifica. Le capacità in tempo reale di DONUT aprono nuove possibilità di sperimentazione autonoma.

I ricercatori dell'APS possono ora progettare ed eseguire esperimenti di guida autonoma, in cui il processo decisionale è guidato dal feedback immediato dalla raccolta dei dati in corso. Questa caratteristica è particolarmente preziosa per gli studi che coinvolgono il comportamento dei materiali nel mondo reale, in cui è essenziale un rapido adattamento. Aileen Luo, assistente scienziato computazionale all'Argonne e alla Cornell University, ha sottolineato che l'immediatezza dei risultati trasforma il processo sperimentale, consentendo risposte più rapide e scelte più informate.

Lo strumento non solo semplifica l'analisi dei dati, ma abbassa anche le barriere all'ingresso per i nuovi utenti, favorendo una più ampia partecipazione all'esplorazione scientifica all'avanguardia.