Lacroix Les rayons X peuvent être utilisés comme une caméra ultra-rapide à résolution atomique, et si les chercheurs tirent une paire d’impulsions de rayons X à quelques instants d’intervalle, ils obtiennent des instantanés à résolution atomique d’un système à deux moments dans le temps. La comparaison de ces instantanés montre remark un matériau fluctue en une infime fraction de seconde, ce qui pourrait aider les scientifiques à concevoir les futures générations d’ordinateurs.
Cependant, la résolution des informations contenues dans ces instantanés de rayons X est difficile et chronophage. Joshua Turner, scientifique principal au SLAC National Accelerator Centre du Département de l’énergie et à l’Université de Stanford, et dix autres chercheurs se sont tournés vers l’intelligence artificielle pour automatiser le processus.. publiée le 17 octobre dans Structural Dynamics, accélère cette method de sondage par rayons X et l’étend à des matériaux auparavant inaccessibles.
“La chose la plus excitante pour moi est que nous pouvons désormais accéder à une gamme de mesures différente, ce que nous ne pouvions pas auparavant”, a déclaré Turner.
Manipulation du blob
. Les chercheurs comparent les motifs de chatoiement de chaque paire d’impulsions pour calculer les fluctuations de l’échantillon.
a déclaré Turner ces nuages de charge fusionnent pour créer une goutte méconnaissable.” Ce nuage de bruit signifie que les chercheurs doivent collecter des tonnes de données de diffusion pour obtenir une compréhension claire du motif de chatoiement.
“Vous avez besoin de beaucoup de données pour comprendre ce qui se passe dans le système”, a déclaré Sathya Chitturi, titulaire d’un doctorat. étudiant à l’Université de Stanford qui a dirigé ce travail. Il est conseillé par Turner et le co-auteur Mike Dunne, directeur du laser à rayons X Linac Coherent Mild Source (LCLS) au SLAC.
un extended processus pour comprendre les motifs de chatoiement.
permettant une analyse des données plus proche du temps réel.
Le modèle s’est avéré précis même dans des disorders très blobby.
Voir au-delà des nuages
Le modèle peut extraire des informations pour une gamme de matériaux qui ont été difficiles à étudier car les rayons X les diffusent trop faiblement pour être détectés, tels que les supraconducteurs à haute température ou les liquides de spin quantique. notamment les colloïdes, les alliages et les verres.
Turner a déclaré que la recherche devrait être une aide pour la mise à niveau LCLS-II, qui permettra aux chercheurs de collecter jusqu’à un million d’images, soit quelques téraoctets de données, par seconde.
“Au SLAC, nous sommes enthousiasmés par cette mise à niveau, mais nous nous inquiétons également de savoir si nous pouvons gérer cette quantité de données”, a déclaré Turner. Dans un write-up connexe. “Ce nouvel algorithme va vraiment aider.”
L’accélération de la vitesse offerte par l’intelligence artificielle promet également de modifier le processus expérimental lui-même., ce qui pourrait économiser du temps et de l’argent pendant l’expérience. Cela permettra également aux chercheurs de repérer les surprises et de rediriger leurs expériences en temps réel pour enquêter sur des phénomènes inattendus.
“Cette méthode peut vous permettre d’explorer davantage la science des matériaux qui vous intéresse et de maximiser l’impact scientifique en vous permettant de prendre des décisions à différents times de votre expérience concernant les changements de variables expérimentales telles que la température, le champ magnétique et la composition des matériaux”, a déclaré Chitturi. a dit.
L’étude fait partie d’une collaboration furthermore huge entre le SLAC.
La recherche a été financée par le DOE Place of work of Science et le DOE Early Occupation Investigate Program. LCLS est une set up utilisateur du DOE Business office of Science.
