Les scientifiques pionniers de la nouvelle méthode de microscopie à rayons X pour l’analyse des données ‘à la volée’

Une nouvelle technique de streaming permet la lecture des données pendant leur génération. Lorsque les scientifiques souhaitent observer une structure minuscule dans un matériau, même de la taille de quelques atomes, ils se tournent souvent vers la microscopie à rayons X.

Les microscopes à rayons X progressent au point où ils génèrent plus de données que les scientifiques ne peuvent espérer traiter efficacement, même avec de grands superordinateurs. En conséquence, les chercheurs recherchent de nouvelles techniques leur permettant de traiter les données à la volée, ce qui signifie analyser les données au fur et à mesure de leur collecte, puis réinjecter les résultats dans l’expérience pour finalement créer une voie de découverte autonome.

Scientifiques de l'Advanced Photon Source (APS) du Département américain de l'énergie’Le laboratoire national d'Argonne du DOE (DOE) a récemment développé une nouvelle méthode qui intègre l'apprentissage automatique, sous la forme d'un réseau neuronal, dans une technique de microscopie à rayons X. Le nouveau processus permet aux chercheurs de prendre moins de temps pour échantillonner leur matériel et multiplie par plus de 100 le taux de traitement des données tout en réduisant de 25 fois la quantité de données collectées. L'APS est une installation utilisateur du DOE Office of Science.

« Le problème est que les moyens d'analyse conventionnels peuvent' »Nous ne pouvons pas suivre les débits de données », a déclaré Mathew Cherukara, chef du groupe Argonne et informaticien, auteur de l'étude. « Et donc nous’Nous sommes dans cette situation où vous avez ces éléments matériels incroyablement complexes et extraordinaires, mais nous ne’Je n'ai pas de moyen d'analyser toutes les données qu'ils peuvent produire.

Selon Cherukara, l’analyse des données de ces études sans superordinateur pourrait prendre des jours, voire des semaines, et même avec un superordinateur, cela pourrait encore prendre des heures.

« Le nouveau réseau neuronal signifie que nous pouvons réaliser plusieurs de ces expériences en quelques minutes à pleine vitesse de l'instrument », a-t-il déclaré.

Le chef du groupe Argonne, Antonino Miceli, un autre auteur de l'étude, a noté que la capacité de mener ces expériences rapidement et d'ajuster spontanément les conditions permettrait aux scientifiques ou aux instruments autonomes de faire des « choix en une fraction de seconde » sur la manière d'analyser l'échantillon.

« Si tu ne’Si vous n'avez pas la possibilité d'analyser des données à la volée, vous auriez’Je ne peux pas prendre ce genre de décisions », a-t-il déclaré.

La nouvelle technique pourrait finir par libérer du temps pour des expériences plus nombreuses et de meilleure qualité à l'APS, a déclaré le physicien d'Argonne Tao Zhou, un autre auteur de l'étude.

« La plupart des gens qui viennent à l'APS voyagent, se préparent pour une semaine d'expériences et à la fin de la semaine, ils repartent avec leurs données, qu'ils analyseront chez eux », a déclaré Zhou.

« S'ils trouvent quelque chose d'intéressant au cours de l'analyse sur lequel ils souhaitent effectuer davantage de mesures, ils doivent généralement attendre le prochain cycle d'expériences à l'APS. Cette technique permet essentiellement aux utilisateurs de faire l'analyse en temps réel sur la ligne de lumière, donc s'ils voient quelque chose de nouveau et d'intéressant dans l'échantillon qu'ils ne voient pas’Sans anticiper, ils peuvent être prêts et capables de s’adapter presque immédiatement. »

La nouvelle technique s’appelle la ptychographie en streaming. La partie streaming fonctionne un peu comme une application de streaming vidéo comme Netflix, sauf qu'elle peut apporter des modifications à l'expérience elle-même à mesure que les scientifiques ou d'autres agents d'apprentissage automatique réagissent à ce qu'ils voient.

Imaginez un chat domestique ajustant son saut alors qu'il essaie d'attraper le point rouge d'un pointeur laser et vous avez l'idée. Comme les données sont analysées en temps quasi réel, l’expérience peut se concentrer sur les phénomènes intéressants au fur et à mesure qu’ils sont repérés.

« Nous’nous gagnons la capacité d'analyser nos données pendant qu'elles’s en cours de génération. L'IA apprend au fur et à mesure que l'expérience progresse », a déclaré Cherukara.

« Avoir ce calcul embarqué à proximité de la ligne de lumière nous permet d'effectuer des ajustements à la volée immédiatement pendant que l'expérience est en cours sans avoir à renvoyer les données vers un cloud ou un cluster de supercalcul », a ajouté Anakha Babu, une ancienne chercheuse postdoctorale d'Argonne qui est actuellement chercheur à KLA-Tencor et autre auteur de l'étude.

« Ce type de configuration peut également avoir des utilisations au-delà de la ptychographie, dans un large éventail d'expériences où des ajustements basés sur les données peuvent être nécessaires en temps réel. »

La ptychographie, une technique d'imagerie largement utilisée en microscopie à rayons X, optique et électronique, est reconnue depuis longtemps pour sa capacité à fournir une imagerie haute résolution d'objets de taille centimétrique avec une préparation minimale des échantillons. Cependant, les méthodes traditionnelles utilisées pour le traitement des images peuvent être lentes et gourmandes en calcul, ce qui entrave l’imagerie en temps réel.

Le processus de streaming a fonctionné comme ceci : les développeurs ont déployé des ordinateurs hautes performances à l'Argonne Leadership Computing Facility (ALCF) pour effectuer la première série de calculs intensifs de récupération de phase à partir des diagrammes de diffraction générés par les faisceaux de rayons X. Ces mesures ont ensuite été utilisées pour former un réseau neuronal qui pourrait ensuite effectuer plus rapidement des calculs similaires précis à moindre coût de calcul, plus près de la ligne de lumière. L'ALCF est également un établissement utilisateur du DOE Office of Science.

« Vous devez vous assurer que votre réseau neuronal est bien entraîné », a déclaré Tekin Bicer, informaticien d'Argonne, un autre auteur de l'étude. « Au fur et à mesure que l'entraînement du modèle s'effectue pendant l'expérience, il produit des estimations proches de ce que vous auriez obtenu sur un superordinateur pour une fraction du coût de calcul, réduisant ainsi considérablement le temps de latence. »

Bicer a expliqué que la formation initiale du réseau neuronal ne’ça ne doit pas prendre longtemps.

« Lorsque vous allumez l'instrument pour la première fois, vous pouvez’Je n'utilise pas de réseau neuronal car il n'a pas’Je n'ai pas encore été formé », a-t-il déclaré. « Mais dès que vous’Si vous avez un peu de données issues de l'analyse conventionnelle, vous pouvez commencer à utiliser le réseau neuronal.

En utilisant l’apprentissage automatique sur des diagrammes de diffraction de rayons X individuels, le flux de travail élimine le besoin des contraintes d’échantillonnage strictes et superposées habituelles, typiques de la ptychographie, réduisant également considérablement la dose de faisceau requise. Cette avancée réduit le risque de dommages aux échantillons, ce qui la rend adaptée à l'imagerie de matériaux délicats.

Le réseau neuronal pourrait également être appliqué aux microscopes électroniques et optiques, a expliqué Cherukara.

« Les microscopes les plus avancés au monde ne seront plus freinés par le manque de capacités d'analyse, et ils’seront en mesure de fonctionner à leur plein potentiel », a-t-il déclaré.

Un article basé sur l'étude est paru dans Communications naturelles.