A inteligência artificial (IA) está transformando todos os campos científicos, da biologia à ciência dos materiais. Quando se trata de alguns tipos de experimentos de raios-X, novas abordagens de IA permitiram aos pesquisadores obter uma análise mais precisa de suas amostras e fazê-lo em um período de tempo muito menor.
Um grupo de pesquisadores do Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE) está aproveitando a IA para realizar a tarefa desafiadora de analisar dados de experimentos de raios-X de alta energia. Com um novo método baseado em rede neural chamado BraggNN, a equipe de Argonne pode identificar com mais precisão os picos de Bragg – pontos de dados que indicam posições e orientações de minúsculos cristais individuais – em uma fração do tempo que costumavam fazer.

As redes neurais (o NN em BraggNN) são algoritmos que procuram padrões nos dados e, com o tempo, aprendem a prever resultados, acelerando a análise desses dados.

“O BraggNN nos dá muito mais eficiência e velocidade do que as técnicas convencionais”, disse Antonino Miceli, da Argonne, autor do artigo e líder do grupo da Advanced Photon Source (APS), uma instalação de usuários do DOE Office of Science em Argonne.

Nos últimos anos, uma técnica chamada microscopia de difração de alta energia (HEDM) tornou-se uma das maneiras mais populares que os cientistas usam para caracterizar com precisão materiais complicados com alta resolução. Embora o HEDM tenha provado ser uma grande melhoria em relação às técnicas convencionais, também pode ser caro e demorado. Envolve a coleta de enormes conjuntos de dados, análise de milhões de picos de difração de Bragg e reconstrução da amostra usando esses picos.

Espera-se que a atualização iminente do APS melhore muito a velocidade de aquisição de dados HEDM para um minuto ou menos. Mas o tempo de computação para concluir a análise de vários picos de Bragg pode se estender por horas ou semanas, mesmo com os maiores supercomputadores. Esses atrasos não apenas retardam a pesquisa, mas também impedem o uso de informações HEDM para orientar os experimentos. Por exemplo, os cientistas que estudam como as rachaduras se formam em materiais podem usar os dados analisados ​​para rastrear onde essas rachaduras estão surgindo, quase em tempo real.

Para enfrentar esses desafios, os pesquisadores que trabalham na APS recorreram à IA para acelerar e otimizar a análise de pico de Bragg. O método convencional envolve usar um modelo 2D ou 3D e ajustar os dados de pico a ele, mas o novo modelo da equipe de pesquisa pode determinar diretamente as posições de pico a partir dos dados.

"Os métodos convencionais funcionam como experimentar um terno em um alfaiate", disse o cientista computacional de Argonne Hemant Sharma, autor do estudo. "Primeiro você tem que experimentar uma forma estimada e depois fazer o ajuste de forma. Com nossa técnica, usando uma rede neural, é como gerar o traje perfeito instantaneamente a partir de apenas uma fotografia de uma pessoa."

Depois que o modelo foi treinado em dados contendo picos de difração, os pesquisadores conseguiram acelerar drasticamente a análise e melhorar a precisão. "A verdadeira conquista é que fizemos determinações de pico muito mais rápido e também fornecemos precisão sub-pixel - o padrão-ouro para tirar conclusões úteis", disse o cientista da computação Zhengchun Liu, o primeiro autor do artigo.

Os métodos computacionais avançados usados ​​pelo BraggNN são especialmente propícios para uso em um chip de unidade de processamento gráfico (GPU), o que ajuda a acelerar ainda mais seu desempenho.

A equipe usou o sistema ThetaGPU no Argonne Leadership Computing Facility (ALCF), uma instalação de usuário do DOE Office of Science, e a plataforma Cerebras AI no ALCF AI Testbed para treinar rapidamente o modelo.

Um artigo baseado no estudo foi publicado no Journal of the International Union of Crystallography . + Explorar mais

Agora em 3D:técnicas de aprendizado profundo ajudam a visualizar dados de raios-X em três dimensões