Uma equipe de cientistas do Laboratório Nacional Brookhaven do Departamento de Energia dos EUA e do Laboratório Nacional Lawrence Berkeley projetou, criada, e testou com sucesso um novo algoritmo para tomar decisões de medição científicas mais inteligentes. O algoritmo, uma forma de inteligência artificial (IA), pode tomar decisões autônomas para definir e executar a próxima etapa de um experimento. A equipe descreveu as capacidades e flexibilidade de sua nova ferramenta de medição em um artigo publicado em 14 de agosto, 2019 em Relatórios Científicos .

De Galileu e Newton à recente descoberta das ondas gravitacionais, realizar experimentos científicos para entender o mundo ao nosso redor tem sido a força motriz de nosso avanço tecnológico por centenas de anos. Melhorar a maneira como os pesquisadores fazem seus experimentos pode ter um impacto tremendo na rapidez com que esses experimentos produzem resultados aplicáveis ​​para novas tecnologias.

Nas últimas décadas, os pesquisadores aceleraram seus experimentos por meio da automação e de uma variedade cada vez maior de ferramentas de medição rápida. Contudo, alguns dos desafios científicos mais interessantes e importantes - como a criação de materiais de bateria aprimorados para armazenamento de energia ou novos materiais quânticos para novos tipos de computadores - ainda exigem experimentos muito exigentes e demorados.

Ao criar um novo algoritmo de tomada de decisão como parte de uma configuração experimental totalmente automatizada, a equipe interdisciplinar de duas instalações do DOE Office of Science de Brookhaven - o Center for Functional Nanomaterials (CFN) e a National Synchrotron Light Source II (NSLS-II) - e o Berkeley Lab's Center for Advanced Mathematics for Energy Research Applications (CAMERA) oferece a possibilidade de estudar esses desafios de forma mais eficiente.

O desafio da complexidade

O objetivo de muitos experimentos é obter conhecimento sobre o material que é estudado, e os cientistas têm uma maneira bem testada de fazer isso:eles pegam uma amostra do material e medem como ele reage às mudanças em seu ambiente.

Uma abordagem padrão para cientistas em instalações de usuários como NSLS-II e CFN é examinar manualmente as medições de um determinado experimento para determinar a próxima área onde eles podem querer executar um experimento. Mas o acesso às ferramentas de caracterização de materiais de alta qualidade dessas instalações é limitado, portanto, o tempo de medição é precioso. Uma equipe de pesquisa pode ter apenas alguns dias para medir seus materiais, então eles precisam tirar o máximo proveito de cada medição.

"A chave para alcançar um número mínimo de medições e qualidade máxima do modelo resultante é ir onde as incertezas são grandes, "disse Marcus Noack, um pós-doutorado na CAMERA e principal autor do estudo. "Realizar medições lá reduzirá com mais eficácia a incerteza geral do modelo."

Como Kevin Yager, um co-autor e cientista do CFN, apontou, "O objetivo final não é apenas obter dados mais rapidamente, mas também melhorar a qualidade dos dados que coletamos. Penso nisso como experimentalistas mudando de microgerenciamento de seu experimento para gerenciamento em um nível superior. Em vez de ter que decidir onde medir a seguir na amostra, os cientistas podem, em vez disso, pensar no quadro geral, que é, em última análise, o que nós, como cientistas, estamos tentando fazer. "

"Esta nova abordagem é um exemplo aplicado de inteligência artificial, "disse o co-autor Masafumi Fukuto, um cientista do NSLS-II. "O algoritmo de tomada de decisão está substituindo a intuição do experimentador humano e pode examinar os dados e tomar decisões inteligentes sobre como o experimento deve prosseguir."

Mais informações por menos?

Na prática, antes de iniciar um experimento, os cientistas definem um conjunto de objetivos que desejam obter da medição. Com essas metas definidas, o algoritmo analisa os dados medidos anteriormente enquanto o experimento está em andamento para determinar a próxima medição. Em sua busca pela melhor próxima medição, o algoritmo cria um modelo substituto dos dados, que é uma suposição fundamentada de como o material se comportará nas próximas etapas possíveis, e calcula a incerteza - basicamente o quão confiante ele está em sua suposição - para cada próxima etapa possível. Com base nisso, ele então seleciona a opção mais incerta para medir a seguir. O truque aqui é escolher a etapa mais incerta para medir a seguir, o algoritmo maximiza a quantidade de conhecimento que ganha ao fazer essa medição. O algoritmo não só maximiza o ganho de informação durante a medição, também define quando terminar o experimento, descobrindo o momento em que quaisquer medições adicionais não resultariam em mais conhecimento.

"A ideia básica é, dado um monte de experimentos, como você pode escolher automaticamente o próximo melhor? "disse James Sethian, diretor do CAMERA e co-autor do estudo. "Marcus construiu um mundo que constrói um modelo substituto aproximado com base em seus experimentos anteriores e sugere o melhor ou mais apropriado experimento para tentar a seguir."

Como chegamos aqui

Para tornar os experimentos autônomos uma realidade, a equipe teve que lidar com três peças importantes:a automação da coleta de dados, análise em tempo real, e, claro, o algoritmo de tomada de decisão.

"Esta é uma parte empolgante desta colaboração, "disse Fukuto." Todos nós fornecemos uma peça essencial para isso:a equipe da CAMERA trabalhou no algoritmo de tomada de decisão, Kevin da CFN desenvolveu a análise de dados em tempo real, e nós do NSLS-II fornecemos a automação para as medições. "

A equipe implementou primeiro seu algoritmo de tomada de decisão na linha de luz de dispersão de materiais complexos (CMS) em NSLS-II, onde o CFN e o NSLS-II atuam em parceria. Este instrumento oferece raios-x ultrabright para estudar a nanoestrutura de vários materiais. Como cientista líder da linha de luz deste instrumento, Fukuto já havia projetado a linha de luz com a automação em mente. A linha de luz oferece um robô de troca de amostras, movimento automático da amostra em várias direções, e muitas outras ferramentas úteis para garantir medições rápidas. Junto com a análise de dados em tempo real de Yager, a linha de luz era - por design - o ajuste perfeito para o primeiro experimento "inteligente".

O primeiro experimento "inteligente"

O primeiro experimento totalmente autônomo que a equipe realizou foi mapear o perímetro de uma gota onde as nanopartículas segregam usando uma técnica chamada espalhamento de raios X de baixo ângulo na linha de luz CMS. Durante o espalhamento de raios-X de pequeno ângulo, os cientistas emitem raios-x brilhantes na amostra e, dependendo da estrutura atômica para nanoescala da amostra, os raios-x refletem em direções diferentes. Os cientistas então usam um grande detector para capturar os raios-x espalhados e calcular as propriedades da amostra no ponto iluminado. Neste primeiro experimento, os cientistas compararam a abordagem padrão de medir a amostra com as medições feitas quando o novo algoritmo de tomada de decisão estava dando as cartas. O algoritmo foi capaz de identificar a área da gota e focou em suas bordas e partes internas ao invés do fundo.

"Depois de nosso próprio sucesso inicial, queríamos aplicar mais o algoritmo, então entramos em contato com alguns usuários e propusemos testar nosso novo algoritmo em seus problemas científicos, "disse Yager." Eles disseram que sim, e desde então medimos várias amostras. Um dos mais interessantes foi o estudo de uma amostra fabricada para conter um espectro de diferentes tipos de materiais. Então, em vez de fazer e medir um número enorme de amostras e talvez perder uma combinação interessante, o usuário fez uma única amostra que incluiu todas as combinações possíveis. Nosso algoritmo foi então capaz de explorar esta enorme diversidade de combinações de forma eficiente, " ele disse.

Qual é o próximo?

Após os primeiros experimentos bem-sucedidos, os cientistas planejam melhorar ainda mais o algoritmo e, portanto, seu valor para a comunidade científica. Uma de suas ideias é tornar o algoritmo "ciente da física" - tirando proveito de tudo o que já é conhecido sobre o material em estudo - para que o método possa ser ainda mais eficaz. Outro desenvolvimento em andamento é o uso do algoritmo durante a síntese e processamento de novos materiais, por exemplo, para entender e otimizar processos relevantes para a fabricação avançada, visto que esses materiais são incorporados em dispositivos do mundo real. A equipe também está pensando em um quadro maior e quer transferir o método autônomo para outras configurações experimentais.

"Acho que os usuários veem as linhas de luz do NSLS-II ou microscópios do CFN como ferramentas de caracterização poderosas. Estamos tentando transformar essas capacidades em uma poderosa instalação de descoberta de materiais, "Fukuto disse.