Tia X có thể được sử dụng như một máy ảnh siêu nhanh, có độ phân giải nguyên tử và nếu các nhà nghiên cứu bắn một cặp xung tia X chỉ cách nhau một khoảnh khắc, họ sẽ có được ảnh chụp nhanh có độ phân giải nguyên tử của một hệ thống tại hai thời điểm.
So sánh những ảnh chụp nhanh này cho thấy cách một vật liệu dao động trong một phần rất nhỏ của giây, điều này có thể giúp các nhà khoa học thiết kế các thế hệ máy tính siêu nhanh, thông tin liên lạc và các công nghệ khác trong tương lai.
Tuy nhiên, việc giải quyết thông tin trong các ảnh chụp nhanh bằng tia X này rất khó khăn và tốn nhiều thời gian, vì vậy Joshua Turner, nhà khoa học hàng đầu tại Trung tâm Máy gia tốc Quốc gia SLAC của Bộ Năng lượng và Đại học Stanford, cùng mười nhà nghiên cứu khác đã chuyển sang sử dụng trí tuệ nhân tạo để tự động hóa quy trình.
>> Tham khảo: Chip nano silicon có thể điều trị mất cơ do chấn thương.
Phương pháp hỗ trợ học máy của họ, được xuất bản vào ngày 17 tháng 10 trên tạp chí Structural Dynamics, tăng tốc kỹ thuật thăm dò tia X này và mở rộng nó sang các vật liệu không thể tiếp cận trước đây.
Turner nói: “Điều thú vị nhất đối với tôi là giờ đây chúng ta có thể tiếp cận một phạm vi đo lường khác, điều mà trước đây chúng ta không thể làm được.
1. Xử lý đốm màu
Khi nghiên cứu vật liệu bằng kỹ thuật hai xung này, tia X phân tán ra khỏi vật liệu và thường được phát hiện mỗi lần một photon.
Một máy dò đo các photon phân tán này, được sử dụng để tạo ra một mẫu đốm — một hình ảnh mờ thể hiện cấu hình chính xác của mẫu tại một thời điểm. Các nhà nghiên cứu so sánh các mẫu đốm từ mỗi cặp xung để tính toán các dao động trong mẫu.
Turner nói: “Tuy nhiên, mỗi photon tạo ra một vụ nổ điện tích trên máy dò. “Nếu có quá nhiều photon, những đám mây điện tích này sẽ hợp nhất với nhau để tạo ra một đốm màu không thể nhận ra.”
Đám mây nhiễu này có nghĩa là các nhà nghiên cứu phải thu thập hàng tấn dữ liệu phân tán để mang lại sự hiểu biết rõ ràng về kiểu đốm.
>> Tham khảo: Loại gốm mới giúp chúng ta hít thở không khí sạch hơn.
“Bạn cần rất nhiều dữ liệu để tìm ra điều gì đang xảy ra trong hệ thống,” Sathya Chitturi, Ph.D. sinh viên tại Đại học Stanford, người đã lãnh đạo công việc này. Anh ấy được cố vấn bởi Turner và đồng tác giả Mike Dunne, giám đốc tia laser tia X nguồn ánh sáng kết hợp Linac (LCLS) tại SLAC.
Với các phương pháp thông thường, tất cả dữ liệu phải được thu thập trước, sau đó được phân tích bằng các mô hình ước tính cách các photon kết hợp với nhau tại máy dò — một quá trình dài để hiểu các mẫu đốm.
Mặt khác, phương pháp học máy sử dụng hình ảnh máy dò thô của các photon tán xạ để trích xuất trực tiếp thông tin dao động. Phương pháp mới này tự nó nhanh hơn gấp mười lần và nhanh hơn gấp 100 lần khi kết hợp với phần cứng cải tiến, cho phép phân tích dữ liệu gần với thời gian thực hơn.
Một phần thành công của phương pháp mới đến từ nỗ lực của đồng tác giả Nicolas Burdet, một nhà khoa học cộng sự tại SLAC, người đã phát triển một trình giả lập tạo ra dữ liệu để huấn luyện mô hình học máy.
Thông qua khóa đào tạo này, thuật toán có thể tìm hiểu cách các đám mây điện tích hợp nhất và gỡ rối xem có bao nhiêu photon chạm vào máy dò trên mỗi đốm màu và trên mỗi cặp xung. Mô hình đã chứng minh tính chính xác ngay cả trong những điều kiện rất mờ nhạt.
2. Nhìn xa hơn những đám mây
Mô hình này có thể trích xuất thông tin cho nhiều loại vật liệu khó nghiên cứu vì tia X tán xạ chúng quá yếu để phát hiện, chẳng hạn như chất siêu dẫn nhiệt độ cao hoặc chất lỏng spin lượng tử.
Chitturi cho biết phương pháp mới cũng có thể được áp dụng cho các vật liệu phi lượng tử khác, bao gồm chất keo, hợp kim và thủy tinh.
>> Tham khảo: Thế giới có thể sẽ ấm lên vượt quá giới hạn 1,5 độ.
Turner cho biết nghiên cứu này sẽ giúp ích cho việc nâng cấp LCLS-II, cho phép các nhà nghiên cứu thu thập tới một triệu hình ảnh hoặc vài terabyte dữ liệu mỗi giây, so với khoảng một trăm hình ảnh mỗi giây đối với LCLS.
Turner cho biết: “Tại SLAC, chúng tôi rất vui mừng về bản nâng cấp này nhưng cũng hơi lo lắng liệu chúng tôi có thể xử lý lượng dữ liệu này hay không.
Trong một bài báo liên quan, nhóm nhận thấy rằng kỹ thuật mới của họ phải đủ nhanh để xử lý tất cả dữ liệu đó. “Thuật toán mới này sẽ thực sự hữu ích.”
Việc tăng tốc độ do trí tuệ nhân tạo mang lại hứa hẹn cũng sẽ thay đổi chính quá trình thử nghiệm. Thay vì đưa ra quyết định sau khi thu thập và phân tích dữ liệu, các nhà nghiên cứu sẽ có thể phân tích dữ liệu và thực hiện các thay đổi trong quá trình thu thập dữ liệu, điều này có thể tiết kiệm thời gian và tiền bạc trong quá trình thử nghiệm.
Nó cũng sẽ cho phép các nhà nghiên cứu phát hiện ra những điều bất ngờ và chuyển hướng các thí nghiệm của họ trong thời gian thực để điều tra các hiện tượng bất ngờ.
“Phương pháp này có thể cho phép bạn khám phá thêm về khoa học vật liệu mà bạn quan tâm và tối đa hóa tác động khoa học bằng cách cho phép bạn đưa ra quyết định tại các thời điểm khác nhau trong thí nghiệm của mình về những thay đổi trong các biến thí nghiệm như nhiệt độ, từ trường và thành phần vật liệu,” Chitturi nói.
>> Tham khảo: Vi khuẩn biến đổi gen với công tắc tiêu diệt.
Nghiên cứu này là một phần của sự hợp tác lớn hơn giữa SLAC, Đại học Đông Bắc và Đại học Howard nhằm sử dụng máy học để thúc đẩy nghiên cứu hóa học và vật liệu.
Nghiên cứu được tài trợ bởi Văn phòng Khoa học DOE và Chương trình Nghiên cứu Hướng nghiệp Sớm của DOE. LCLS là cơ sở người dùng của Văn phòng Khoa học DOE.
