Un nouvel outil basé sur l’IA rationalise les expériences
Des chercheurs du Laboratoire national des accélérateurs du SLAC du ministère de l’Énergie ont démontré une nouvelle approche pour approfondir le comportement complexe des matériaux. L’équipe a exploité la puissance de l’apprentissage automatique pour interpréter les excitations cohérentes et les oscillations collectives des spins atomiques au sein d’un système.
Cette recherche révolutionnaire, publiée récemment dans Communications naturellespourrait rendre les expériences plus efficaces, en fournissant des conseils en temps réel aux chercheurs lors de la collecte de données, et fait partie d’un projet dirigé par l’Université Howard incluant des chercheurs du SLAC et de l’Université Northeastern pour utiliser l’apprentissage automatique pour accélérer la recherche sur les matériaux.
L’équipe a créé ce nouvel outil basé sur les données à l’aide de « représentations neuronales implicites », un développement d’apprentissage automatique utilisé en vision par ordinateur et dans différents domaines scientifiques tels que l’imagerie médicale, la physique des particules et la microscopie cryoélectronique. Cet outil peut dériver rapidement et avec précision des paramètres inconnus à partir de données expérimentales, automatisant ainsi une procédure qui, jusqu’à présent, nécessitait une intervention humaine importante.
Comportements particuliers
Les excitations collectives aident les scientifiques à comprendre les règles des systèmes, tels que les matériaux magnétiques, comportant de nombreuses pièces. Vus aux plus petites échelles, certains matériaux présentent des comportements particuliers, comme de minuscules changements dans les schémas des spins atomiques. Ces propriétés sont essentielles à de nombreuses nouvelles technologies, telles que les dispositifs avancés de spintronique, qui pourraient changer la façon dont nous transférons et stockons les données.
Pour étudier les excitations collectives, les scientifiques utilisent des techniques telles que la diffusion inélastique des neutrons ou des rayons X. Cependant, ces méthodes sont non seulement complexes, mais aussi gourmandes en ressources, compte tenu, par exemple, de la disponibilité limitée des sources de neutrons.
L’apprentissage automatique offre un moyen de relever ces défis, même s’il présente néanmoins des limites. Des expériences antérieures utilisaient des techniques d’apprentissage automatique pour améliorer la précision de l’interprétation des données de diffusion des rayons X et des neutrons. Ces efforts reposaient sur des représentations de données traditionnelles basées sur des images. Mais la nouvelle approche de l’équipe, qui utilise des représentations neuronales implicites, emprunte une voie différente.
Les représentations neuronales implicites utilisent des coordonnées, comme des points sur une carte, comme entrées. En traitement d’image, ces réseaux peuvent prédire la couleur d’un pixel particulier en fonction de sa position. La méthode ne stocke pas directement l’image mais crée une recette pour l’interpréter en connectant la coordonnée du pixel à sa couleur. Cela lui permet de faire des prédictions détaillées, même entre pixels. De tels modèles se sont révélés efficaces pour capturer des détails complexes dans des images et des scènes, ce qui les rend prometteurs pour l’analyse des données sur les matériaux quantiques.
« Notre motivation était de comprendre la physique sous-jacente de l’échantillon que nous étudiions. Bien que la diffusion des neutrons puisse fournir des informations inestimables, elle nécessite de passer au crible des ensembles de données massifs, dont seule une fraction est pertinente », a déclaré le co-auteur Alexander Petschm, chercheur postdoctoral. associé de recherche au Linac Coherent Light Source (LCLS) du SLAC et à l’Institut des sciences des matériaux et de l’énergie de Stanford (SIMES).
« En simulant des milliers de résultats potentiels, nous avons construit un modèle d’apprentissage automatique entraîné à discerner des différences nuancées dans les courbes de données qui sont pratiquement impossibles à distinguer à l’œil humain. »
Les pièces se mettent en place
L’équipe voulait voir si elle pouvait effectuer des mesures au LCLS, les introduire dans un algorithme d’apprentissage automatique et récupérer les détails microscopiques du matériau au fur et à mesure des mesures. Ils ont effectué des milliers de simulations sur ce qu’ils allaient mesurer, avec une gamme de paramètres, et les ont tous introduits dans un algorithme pour apprendre de tous les différents spectres afin de pouvoir prédire les réponses théoriques dès qu’ils mesuraient les spectres réels.
En attendant de réaliser cette expérience au LCLS, il s’est avéré que les mesures qu’ils souhaitaient réellement réaliser étaient très proches de la diffusion inélastique des neutrons. Petsch s’est rendu compte que les données de diffusion des neutrons issues de sa thèse s’alignaient parfaitement avec les simulations de l’équipe, dirigée par Zhurun (Judy) Ji, chercheur scientifique à l’Université de Stanford. Lorsque l’équipe a appliqué son modèle d’apprentissage automatique à ces données du monde réel, elle a pu surmonter des défis tels que le bruit et les points de données manquants.
Traditionnellement, les chercheurs s’appuient sur l’intuition, les simulations et l’analyse post-expérience pour guider leurs prochaines étapes. L’équipe a démontré comment son approche pouvait analyser en continu les données en temps réel. Cela a montré la possibilité pour les chercheurs de déterminer quand ils ont collecté suffisamment de données pour mettre fin à une expérience, rationalisant ainsi davantage le processus. L’un des développements les plus intéressants est le potentiel de cette approche pour une analyse continue en temps réel, fournissant un aperçu du moment où suffisamment de données sont obtenues pour conclure une expérience.
« Notre modèle d’apprentissage automatique, formé avant même le début de l’expérience, peut rapidement guider le processus expérimental », a déclaré Josh Turner, scientifique du SLAC, qui a supervisé la recherche. « Cela pourrait changer la façon dont les expériences sont menées dans des installations comme LCLS. »
Ouvrir de nouvelles voies
La conception du modèle n’est pas exclusive à la diffusion des neutrons. Appelé « réseau de coordonnées », il est adaptable à diverses mesures de diffusion qui impliquent des données en fonction de l’énergie et de la quantité de mouvement.
« L’apprentissage automatique et l’intelligence artificielle influencent de nombreux domaines scientifiques », a déclaré le co-auteur Sathya Chitturi, titulaire d’un doctorat. étudiant à l’Université de Stanford. « L’application de nouvelles méthodes d’apprentissage automatique de pointe à la recherche en physique peut nous permettre de progresser plus rapidement et de rationaliser les expériences. Il est passionnant d’envisager ce que nous pouvons aborder ensuite sur la base de ces fondations. Cela ouvre de nombreuses nouvelles voies de recherche potentielles. »
