Los científicos están desarrollando un nuevo algoritmo que podría proporcionar información sobre la corrosión de la batería.
Newswise: los investigadores de Argonne han creado una técnica automática que puede llenar los vacíos en los datos de rayos X.
Armar un rompecabezas es una gran actividad para una tarde lluviosa de domingo. Pero el proceso un poco más difícil de ensamblar rápidamente rompecabezas científicos en 3D (estructuras atómicas de diferentes materiales) se ha vuelto mucho más fácil recientemente, gracias a una nueva investigación que combina haces de rayos X de alta potencia con metodologías informáticas avanzadas.
Investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) han desarrollado una nueva técnica que acelera la resolución de estructuras materiales a partir de patrones descubiertos en experimentos de rayos X. La técnica permite a los investigadores estudiar ciertas propiedades, como la corrosión o la carga y descarga de la batería, en tiempo real.
“Con el tipo de difracción que hacemos, obtener la información de fase es un desafío; es como entender cómo encajan todas las piezas (del rompecabezas) basándose únicamente en los colores que puedes ver en cada pieza. — Yudong Yao, Laboratorio Nacional de Argonne.
La técnica, llamada AutoPhaseNN, se basa en un método llamado aprendizaje automático, que entrena un algoritmo en algunos datos experimentales y luego los usa para elegir el resultado más probable del experimento actual. Los datos utilizados en este caso se crean haciendo brillar haces de rayos X ultrabrillantes de la fuente de fotones avanzados (APS) de Argonne sobre un material y capturando la luz a medida que rebotan, un proceso llamado difracción. APS es una instalación de usuario de la Oficina de Ciencias del DOE en Argonne.
Las nuevas técnicas son importantes porque APS se encuentra en medio de una actualización masiva, que aumentará el brillo de sus haces de rayos X hasta 500 veces. Eso significa que se recopilarán más datos más rápido una vez que el APS actualizado entre en línea en 2024, y los científicos necesitarán una forma de rastrear el análisis de esos datos. aprendizaje automático soluciones como AutoPhaseNN serán una parte esencial de los análisis de datos más rápidos necesarios en el futuro en APS, así como en instalaciones similares en todo el mundo.
AutoPhaseNN es un ejemplo de «no supervisado» aprendizaje automáticolo que significa que el algoritmo de la computadora aprende de su propia experiencia cómo realizar un cálculo de manera más precisa y eficiente, sin tener que ser entrenado con soluciones etiquetadas que ya se han encontrado, un proceso que generalmente involucra la intervención humana.
«Este nuevo algoritmo es esencialmente capaz de resolver lo que llamamos un problema inverso, comenzando con las piezas del rompecabezas para crear el rompecabezas en sí», dijo Mathew Cherukara, científico informático y líder del grupo Argonne, autor del estudio. «Esencialmente, tomamos un conjunto de observaciones e intentamos identificar las condiciones que las crearon. En lugar de resolver el rompecabezas iterando el proceso de prueba y revisión basado en el conocimiento previo, nuestro algoritmo ensambla el rompecabezas a partir de partes rotas en un solo paso.
Para obtener información sobre la estructura de un material, los científicos deben obtener información no solo sobre la amplitud de la señal difractada, sino también sobre su fase. Sin embargo, la amplitud o intensidad es la única parte que se puede medir directamente.
Debido a que los haces de rayos X utilizados para iluminar la muestra son coherentes, lo que significa que todos comparten la misma fase inicialmente, cualquier cambio de fase resultante de la difracción se puede mapear en la muestra misma, dijo el nanocientífico de Argonne y coautor Henri Chan.
«La recuperación de fase es clave para comprender la estructura: la mayor parte de la información relevante está en la fase», dijo el autor principal, Yudong Yao, físico de rayos X en Argonne en el momento de esta investigación. «Con el tipo de difracción que hacemos, obtener la información de la fase es un desafío; es como entender cómo encajan todas las piezas solo en función de los colores que puedes ver en cada pieza.
Para que las redes neuronales supervisadas convencionales resuelvan este problema inverso, los investigadores habrían tenido que emparejar «rompecabezas rotos» con ejemplos completamente ensamblados para que la red neuronal pudiera tener algo contra lo que entrenarse. solo las piezas rotas. La red resultante es rápida, precisa y (a diferencia de los métodos convencionales) capaz de entregar imágenes 3D en tiempo real a los usuarios científicos de instalaciones como el APS.
Un artículo basado en el estudio, «AutoPhaseNN: Physics-Aware Unsupervised Deep Learning of 3D Coherent Nanoscale Bragg Diffraction Imaging”, apareció en la edición en línea del 3 de junio de NPJ Computational. Materiales Además de Cherukara y Yao, otros autores incluyen a Henry Chan de Argonne, Subramanian Sankaranarayanan, Prasanna Balaprakash y Ross Harder.
El trabajo fue financiado por la Oficina de Ciencias del DOE (Oficina de Ciencias Básicas de la Energía). Esta investigación usó recursos del Centro de Materiales a Nanoescala y la Instalación de Computación de Liderazgo de Argonne, que son instalaciones de usuarios de la Oficina de Ciencias del DOE, y el Centro de Recursos de Computación de Laboratorio en Argonne.
Acerca de la fuente de fotones avanzada
La fuente de fotones avanzados (APS) de la Oficina de Ciencia del Departamento de Energía de EE. UU. en el Laboratorio Nacional de Argonne es una de las instalaciones de fuentes de luz de rayos X más productivas del mundo. APS proporciona haces de rayos X de alta luminosidad a una comunidad diversa de investigadores en ciencia de los materiales, química, física de la materia condensada, ciencias ambientales y de la vida e investigación aplicada. Estos rayos X se adaptan perfectamente a la exploración de materiales y estructuras biológicas; distribución elemental; estados químicos, magnéticos, electrónicos; y una amplia gama de sistemas de ingeniería tecnológicamente significativos de Batería a los inyectores de combustible, todos los cuales son los cimientos del bienestar económico, tecnológico y físico de nuestra nación. Cada año, más de 5000 investigadores usan APS para producir más de 2000 publicaciones que detallan descubrimientos impactantes y resuelven estructuras de proteínas biológicas más vitales que los usuarios de cualquier otra instalación de investigación de fuente de luz de rayos X. Los científicos e ingenieros de APS están innovando en tecnología que es fundamental para avance de las operaciones del acelerador y la fuente de luz. Esto incluye dispositivos de inserción que producen los rayos X extremadamente brillantes que son apreciados por los investigadores, lentes que enfocan los rayos X hasta unos pocos nanómetros, instrumentación que maximiza la forma en que los rayos X interactúan con las muestras estudiadas y el software que recopila y administra la enorme cantidad de datos resultantes de la investigación de descubrimiento en APS.
Esta investigación utilizó recursos de Advanced Photon Source, una instalación para usuarios de la Oficina de Ciencias del DOE de los Estados Unidos operada para la Oficina de Ciencias del DOE por el Laboratorio Nacional de Argonne bajo el Contrato No. DE-AC02-06CH11357.
Laboratorio Nacional de Argonne busca soluciones a problemas nacionales apremiantes en ciencia y tecnología. Argonne, el primer laboratorio nacional del país, lleva a cabo investigaciones científicas básicas y aplicadas de vanguardia en prácticamente todas las disciplinas científicas. Los investigadores de Argonne trabajan en estrecha colaboración con investigadores de cientos de empresas, universidades y agencias federales, estatales y municipales para ayudarlos a resolver sus problemas específicos, promover el liderazgo científico estadounidense y preparar a la nación para un futuro mejor. Con empleados de más de 60 países, Argonne está dirigida por UChicago Argonne, LLC para el Oficina de Ciencias del Departamento de Energía de EE. UU..
Oficina de Ciencias del Departamento de Energía de EE. UU. es el mayor partidario de la investigación en ciencias físicas básicas en los Estados Unidos y se esfuerza por abordar algunos de los desafíos más apremiantes de nuestro tiempo. Para más información visite https://energgy.gov/science.
