// TOM'S HARDWARE ITALIA — SALUTE
L'AI legge i dati dei raggi X in tempo reale, nasce DONUT
I ricercatori dell'Argonne National Laboratory, negli Stati Uniti, hanno sviluppato DONUT, uno strumento di machine learning capace di interpretare in tempo reale i complessi dati prodotti dagli esperimenti con raggi X. Il sistema permette agli scienziati di verificare subito l'andamento delle misurazioni e, se necessario, modificare l'esperimento mentre è ancora in corso, anziché attendere settimane per conoscere i risultati.
DONUT è stato sviluppato e provato con i dati della Hard X-ray Nanoprobe, una linea sperimentale condivisa dall'Advanced Photon Source e dal Center for Nanoscale Materials. Lo strumento analizza le immagini ottenute tramite nanodiffrazione a raggi X a scansione, indicata anche con la sigla SXDM. In questa tecnica, un fascio molto concentrato attraversa progressivamente il campione e raccoglie informazioni sulla sua struttura cristallina su scala nanometrica.
La difficoltà è nella quantità e nella complessità dei dati: ogni scansione comprende numerosi schemi di diffrazione, distribuiti su più dimensioni e legati a diverse proprietà del materiale. DONUT affronta il problema combinando una rete neurale guidata dalla fisica con un modello del modo in cui i raggi X interagiscono con i cristalli. Il suo apprendimento non supervisionato consente inoltre di lavorare senza grandi raccolte di esempi preventivamente classificati da esperti.
Nel metodo tradizionale, i ricercatori confrontano manualmente i dati misurati con schemi simulati, un'attività che può richiedere settimane o mesi ed è esposta a errori di interpretazione. Secondo il lavoro pubblicato su npj Computational Materials, DONUT può fornire alcune analisi in tempo reale ed essere centinaia di volte più rapido rispetto agli approcci convenzionali. Le prestazioni descritte riguardano tuttavia i dati e le condizioni sperimentali valutati dal gruppo, non ogni possibile tecnica di imaging.
Le informazioni ricavate includono deformazioni e inclinazioni del reticolo cristallino, parametri utili per comprendere come un materiale reagisce durante l'impiego. Osservarli rapidamente può facilitare gli studi su batterie e catalizzatori, oltre che su dispositivi elettronici o magnetici avanzati. Il modello può essere addestrato sui dati raccolti all'inizio di una sessione e adattato alle proprietà che gli scienziati intendono misurare.
Un riscontro immediato apre anche la strada alla ricerca autonoma: un sistema potrebbe selezionare la misurazione successiva in base ai risultati appena ottenuti, concentrando il tempo disponibile sulle regioni più interessanti del campione. La prospettiva è particolarmente utile negli esperimenti dinamici, nei quali temperatura, pressione o composizione cambiano rapidamente. Gli autori stanno lavorando a versioni destinate alla microscopia automatizzata, ma il passaggio a esperimenti pienamente autonomi resta in fase di sviluppo.
L'accelerazione dell'analisi è diventata più urgente dopo l'aggiornamento dell'APS, che produce fasci più brillanti e genera dati a velocità superiori. Il gruppo intende ora verificare se lo stesso approccio possa essere applicato ad altre tecniche avanzate di imaging. DONUT dovrebbe inoltre contribuire al progetto sulle sorgenti di luce e neutroni della Genesis Mission del Dipartimento dell'Energia statunitense, iniziativa che punta a incrementare la produttività scientifica attraverso l'intelligenza artificiale.
Aggiungi Tom's Hardware alle tue fonti preferite su Google