Todo mundo sabe que o Computador – uma entidade semelhante à inteligência artificial (IA) – em uma nave espacial de Star Trek faz tudo, desde preparar chá até compilar análises complexas de dados de fluxo. Mas como eles são usados ​​em instalações de pesquisa reais? Como os agentes de IA – programas de computador que podem agir com base em um ambiente percebido – podem ajudar os cientistas a descobrir baterias ou materiais quânticos de próxima geração? Três membros da equipe da National Synchrotron Light Source II (NSLS-II) descreveram como os agentes de IA apoiam os cientistas usando as ferramentas de pesquisa da instalação. Como uma instalação do usuário do Office of Science do Departamento de Energia dos EUA (DOE) localizada no Laboratório Nacional Brookhaven do DOE, o NSLS-II oferece seus recursos experimentais para cientistas de todo o mundo que o usam para revelar os mistérios dos materiais para a tecnologia de amanhã.
Da melhoria das condições experimentais à melhoria da qualidade dos dados, Andi Barbour, Dan Olds, Maksim Rakitin e seus colegas estão trabalhando em vários projetos de IA no NSLS-II. Uma publicação de visão geral recente em Digital Discovery descreve vários - mas não todos - projetos de IA em andamento na instalação.

Primeiro contato com a IA

Embora os filmes geralmente mostrem agentes de IA como supercomputadores sencientes que podem executar várias tarefas, os agentes de IA do mundo real diferem muito dessa representação.

"O que queremos dizer quando dizemos IA é que criamos um algoritmo ou um método - basicamente algum processo matemático - que fará uma 'coisa' por nós, como classificar, analisar ou tomar decisões, mas nós ' não vamos codificar a lógica", explicou Olds, físico que trabalha em um dos instrumentos científicos do NSLS-II que permite uma ampla gama de projetos de pesquisa. Os instrumentos do NSLS-II são chamados de linhas de luz porque são uma combinação de um sistema de entrega de raios X e uma estação experimental.

Rakitin, um físico especializado no desenvolvimento de software para coletar ou analisar dados no NSLS-II, acrescentou:"Em vez de dar ao programa - o agente de IA - um modelo, ele constrói seu próprio modelo por meio de treinamento. , mostramos um gato em vez de explicar que é um animal peludo com quatro patas, orelhas pontudas, cauda e assim por diante. O programa tem que descobrir como identificar um gato por si só."

Pesquisadores em instalações como o NSLS-II têm duas razões principais para adaptar os agentes de IA às suas necessidades:o grande volume de dados e sua complexidade. Vinte anos atrás, levava vários minutos para capturar uma imagem de dados – como um padrão de difração – de uma bateria. Agora, na linha de luz em que Olds trabalha, eles podem tirar a mesma foto em uma fração de segundo. Embora isso permita que mais pesquisas aconteçam na linha de luz, supera as estratégias tradicionais usadas para analisar os dados.

Barbour, uma física química, enfrenta o segundo desafio, dados complexos, em seu trabalho estudando dinâmica em materiais quânticos. Juntamente com seus colaboradores, ela investiga como a ordem atômica e eletrônica desses materiais evoluem sob condições variáveis.

"Quando fazemos experimentos na linha de luz, estamos procurando correlações e padrões nos dados ao longo do tempo. Então, se precisarmos escrever um programa longo que capture todas as possibilidades de nossos experimentos, seria incrivelmente complicado, difícil ler, terrível de manter e um pesadelo para automatizar. Mas uma ferramenta de IA pode aprender a lidar com nossos dados complexos sem a necessidade de explicar todos os detalhes ao agente", disse Barbour.

Envolva o agente de IA para otimização

Mas antes que qualquer experimento possa começar, o feixe de raios X precisa ser preparado ajustando os vários componentes ópticos em uma linha de luz. Motores pequenos, mas precisos, permitem que os pesquisadores movam cada componente individual conforme necessário. Existem motores que giram espelhos para guiar os raios X, mais motores que movem lentes para focalizar a luz e ainda mais motores que controlam fendas para moldar o feixe. Juntas, todas essas partes fornecem o feixe de raios X perfeito para o experimento. Quanto melhor o feixe se ajustar ao experimento, melhor será a qualidade dos dados para os pesquisadores. No entanto, encontrar esse feixe perfeito não é fácil. Na verdade, pesquisadores – como Rakitin – chamam isso de problema de otimização multidimensional.

"Em vez de ajustar cada motor para cada conjunto de dados, nosso projeto é desenvolver um agente de IA que possa fazer os ajustes para nós automaticamente. O objetivo é dar ao programa de IA a forma e/ou intensidade do feixe de que precisamos, e vai descobrir como mudar a posição de cada motor para alcançá-lo. Isso reduz significativamente o tempo para iniciar o experimento", disse Rakitin sobre um projeto apresentado na 14ª Conferência Internacional sobre Instrumentação de Radiação Síncrotron (link para o procedimento previsto para outubro 2022).

Rakitin e os membros de sua equipe estão realmente se esforçando para criar uma linha de luz virtual que permita aos usuários descobrir as melhores condições de feixe para seu experimento antes de chegar às instalações. Para conseguir isso, ele mapeia o comportamento de cada motor para parâmetros específicos que representam propriedades físicas – como raios de espelho – em uma simulação da linha de luz. A simulação é desenvolvida em um software chamado Sirepo. Um primeiro estudo sobre esta ideia foi publicado em 2020 nos anais da conferência SPIE.

"Enquanto os usuários podem usar essas simulações de linha de luz para aprender como executar uma linha de luz, também podemos usá-la para planejar novas. Podemos preparar a simulação com base nos projetos da linha de luz antes mesmo que as peças físicas sejam montadas. linha de luz estiver pronta, podemos iniciar o processo de mapeamento dos motores para os parâmetros específicos da simulação", disse Rakitin.

Atualmente, o NSLS-II tem 28 linhas de luz, no entanto, a instalação pode suportar aproximadamente 30 linhas de luz adicionais. Rakitin espera que várias novas linhas de luz usem a ferramenta durante o processo de desenvolvimento.

Definir IA para atordoar

Uma dessas 28 linhas de luz é uma linha de luz de difração de raios X chamada de linha de luz Pair Distribution Function (PDF), onde Olds trabalha. Ele atende a muitos usuários para estudos estruturais de espalhamento total de alto rendimento com o objetivo de entender as relações estrutura-propriedade em materiais de baterias novas a cimento "verde". A natureza em constante mudança das questões de pesquisa no PDF desafia Olds na busca pela melhor estratégia de medição para cada experimento. Para aprimorar as medições, a Olds está desenvolvendo vários agentes de IA que monitoram dados, medem e analisam, como um assistente de laboratório digital.

"A principal questão que impulsiona nosso trabalho de IA é como podemos fazer o melhor uso de qualquer experimento, porque o tempo em uma linha de luz é um recurso precioso e limitado. Quando o experimento termina, você tem todo o tempo do mundo para analisar os dados . Mas durante o experimento, é crucial não perder uma mudança importante em seu material que possa afetar a descoberta que você está tentando fazer. Você quer ferramentas que possam ajudá-lo a tomar decisões melhores, como quando diminuir a velocidade de uma rampa de aquecimento porque você está se aproximando um ponto de dados interessante ou até mesmo alertar que uma medição foi concluída antes do previsto. É aqui que nossa 'federação' de assistentes de laboratório de IA entra em ação. Eles monitoram os dados. Eles fazem algumas análises em tempo real. Eles observam as tendências . E então, quando algo acontece, eles chamam. Eles concentram nossa atenção — dos pesquisadores humanos — no detalhe certo para que não percamos. Os agentes de IA ajudam a garantir que estamos fazendo a melhor ciência possível, " explicou Olds.

Quando lhe pediram um exemplo, Dan contou os eventos de um experimento. Os pesquisadores chegaram ao NSLS-II para entender a quebra de um material de filtragem de gás. Juntamente com Olds, eles montaram os materiais em um fluxo de gás, enquanto tiravam uma foto de raio-X a cada segundo. Cada encaixe criava um padrão de anéis claros e escuros (um padrão de difração). Codificadas nesses anéis mutáveis, estão informações sobre como os átomos estão organizados no material naquele momento. Enquanto a medição estava sendo executada, um dos agentes de IA se animou, indicando que algo havia começado a mudar.

"Então, verificamos, mas não vimos nada. Ainda éramos novos nisso. Então, nos perguntamos:'podemos confiar no agente de IA?" Mas dentro de uma hora ficou claro que o processo que estávamos procurando havia começado. O belo pó branco que colocamos na linha de luz estava se desfazendo. Tudo o que encontramos após o experimento foi essa batata frita feia e preta. Depois que o experimento foi concluído, fizemos uma análise tradicional dos dados e descobrimos que o processo começou quando o agente de IA entrou em ação. Isso me surpreendeu, porque as mudanças no início são pequenas. Our AI was more sensitive than we all expected," Olds said. He pointed to two publications (a conference proceeding and an Applied Physics Review paper) about the team's recent AI work.

Computer, can you clean-up my data?

While Rakitin's tool will help prior to an experiment and Olds specialized in enhancing experiments with AI, Barbour uses her AI project to improve the quality of her data after the experiment.

"The aim is to design a first pass for the analysis. The scientific problems we are looking at are all dynamic. Whenever you are looking for changes in your data, you need to be careful because your sample is not the only thing changing. There is detector noise, fluctuations in your X-ray beam and more. All of these make it harder to extract dynamics," Barbour said.

To see these changes within materials, Barbour works with her colleagues at two instruments, the Coherent Soft X-ray Scattering (CSX) and Coherent Hard X-ray Scattering (CHX) beamlines. In both cases, the X-ray beam hits the sample, scattering across the detector in a pattern that depends on its inner structure. However, Barbour is interested in a specific portion of the scattered beam—the coherent one. Because only that will create the specific pattern—called a speckle pattern—that she needs to calculate the correlations. This technique, known as X-ray photon correlation spectroscopy (XPCS), allows Barbour to compare the different patterns within a whole series of shots. Each shot can hold similarities to the following ones, and it's these correlations Barbour is looking for. They reveal how the material evolves over time.

"To make a good correlation, you need a series of consecutive images with no noise, no instability, and lots of X-rays. But to accomplish this with real-world data, you would need to look at every single image to remove all the 'bad stuff." It's time consuming. This is why we developed an AI agent that does two things for us:it removes the noise, and it targets the specific dynamic we are looking for. Once we have removed the noise, we can do the traditional analysis faster," Barbour explained. In her recent publications, the team shows the different between the raw, pixelated data images and the de-noised images.

She continued, "After we have de-noised the data, we use an AI method on the correlations we computed to pull out the information we're seeking. They are called the dynamic time constants. This time, we did it for all of them. Nobody does that! Why? Because without the AI agent, it would take a complex algorithm producing fits with high uncertainties, while needing a lot of computing power. However, by analyzing the correlations with the finest time resolution, we created insights that we couldn't access before. Thanks to this process, we could provide our findings to the theorists in a form that is more easily compared to theoretical models." More about this can be found in team's most recent publication.

I'm an AI agent, not a human scientist

If AI agents can align beamlines, monitor data streams, recognize chemical changes in materials, and de-noise data, will they replace humans as researchers some day? The three researchers all agreed that the answers to this question was "no."

"I'd like to say that using AI agents—treating them as black boxes to get answers—is the ultimate goal. But just like when you start chemistry class, you need to work out the entire problem. You don't write down an answer. You think about the numbers you've got. You ask, 'does this make sense?" And this also needs to happen with AI agents. We—the scientists—need to check if what the AI program produced makes sense," explained Barbour.

"There are always false positives or similar things when you work with AI. The model might think it has predicted something, but it actually didn't. So, you need an expert to look over its shoulder," Rakitin continued.

Olds nodded as he added, "I think what makes AI special is that we ask the computer to sort out the math for us. That's pretty profound, but ultimately is a new tool for our repertoire in the same way that computers were. Humanity did science before computers. But with them we do it more efficiently and quicker. The same is true for many other technologies. It opens the door to things that you couldn't do before, but it doesn't mean that we're doing away with scientists. It just let the scientists do their work more efficiently."

Looking forward, all three scientists agreed that the future of science will have researchers using AI agents to enhance their work in many aspects. Not just one AI like the ship computer in Star Trek, but many specialized agents, taking care of time-consuming, complex tasks. They are a new tool in the toolbox of the researchers—just like screwdrivers, test tubes, and computers—improving our researchers' ability to do science. + Explorar mais

After AIs mastered Go and Super Mario, scientists have taught them how to 'play' experiments at NSLS-II