阿贡研究人员创造了一种自动技术,可以填补X射线数据中的空白。在下雨的星期天下午,拼凑拼图是一项很棒的活动。但是,由于将高能X射线束与先进计算方法相结合的新研究,快速组装3D科学拼图(不同材料的原子结构)的过程变得更加困难。
美国能源部(DOE)阿贡国家实验室的研究人员开发了一种新技术,可以加速从X射线实验中发现的模式中解算材料结构。该技术允许研究人员实时研究某些特性,例如腐蚀或电池充电和放电。
该技术称为AutoPhaseNN,基于一种称为机器学习的方法,该方法根据某些实验数据训练算法,然后使用它来选择当前实验的最可能结果。在这种情况下使用的数据是通过将来自阿贡高级光子源(APS)的超亮X射线束照射在材料上并在它们反弹时捕获光线产生的,这一过程称为衍射。APS是位于Argonne的DOE科学办公室用户设施。
新技术很重要,因为APS正在进行大规模升级,这将使其X射线束的亮度提高多达500倍。这意味着一旦升级的APS在2024年上线,将更快地收集更多数据,科学家将需要一种方法来跟上对这些数据的分析。AutoPhaseNN等机器学习解决方案将成为APS以及全球类似设施未来所需的更快速数据分析的重要组成部分。
AutoPhaseNN是“无监督”机器学习的一个例子,这意味着计算机算法从自己的经验中学习如何更准确、更有效地进行计算,而无需使用已经找到的标记解决方案进行训练,这是一个过程这通常涉及人为干预。
“这种新算法基本上能够解决我们所谓的逆问题,从拼图的各个部分开始创建拼图本身,”该研究的作者、Argonne计算科学家和小组负责人MathewCherukara说。“本质上,我们正在进行一组观察并试图确定产生它们的条件。我们的算法不是通过基于先验知识重复试验和修订过程来解决难题,而是从碎片中组装难题一步到位。”
获得有关材料结构的信息需要科学家获得不仅与衍射信号的幅度有关的信息,而且还与它的相位有关。然而,幅度或强度是唯一可以直接测量的部分。
由于用于照亮样品的X射线束是相干的——这意味着它们最初都具有相同的相位——无论由于衍射而发生的相位变化都可以映射回样品本身,Argonne纳米科学家和合作伙伴说作者亨利·陈。
“相位检索对于理解结构至关重要-大多数相关信息都在相位中找到,”该研究的主要作者、阿贡X射线物理学家YudongYao说。“通过我们正在做的那种衍射,获取相位信息是一项挑战;这就像仅仅根据你在每件作品上看到的颜色来弄清楚所有碎片是如何组合在一起的。”
对于传统的、有监督的神经网络来解决这个逆问题,研究人员必须将“已破解的谜题”与完全组装的示例配对,以便神经网络可以进行训练。借助无监督的神经网络,该算法可以学习从碎片中拼接拼图。由此产生的网络快速、准确并且(与传统方法不同)能够实时向APS等设施的科学用户提供3D图像。