La inteligencia artificial (IA) está transformando todos los campos científicos, desde la biología hasta la ciencia de los materiales. Cuando se trata de algunos tipos de experimentos de rayos X, los nuevos enfoques de IA han permitido a los investigadores obtener un análisis más preciso de sus muestras y hacerlo en mucho menos tiempo.

Un grupo de investigadores del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) está aprovechando la IA para realizar la desafiante tarea de analizar datos de experimentos de rayos X de alta energía. Con un nuevo método basado en redes neuronales llamado BraggNN, el equipo de Argonne puede identificar con mayor precisión los picos de Bragg (puntos de datos que indican posiciones y orientaciones de diminutos cristales individuales) en una fracción del tiempo que solían hacerlo.

Las redes neuronales (la NN en BraggNN) son algoritmos que buscan patrones en los datos y, con el tiempo, aprenden a predecir resultados, acelerando el análisis de esos datos.

"BraggNN nos brinda una eficiencia y velocidad mucho mayores que las técnicas convencionales", dijo Antonino Miceli de Argonne, autor del artículo y líder de grupo en Advanced Photon Source (APS), una instalación para usuarios de la Oficina de Ciencias del DOE en Argonne.

En los últimos años, una técnica llamada microscopía de difracción de alta energía (HEDM) se ha convertido en una de las formas más populares que utilizan los científicos para caracterizar con precisión materiales complicados con alta resolución. Aunque HEDM ha demostrado ser una gran mejora con respecto a las técnicas convencionales, también puede ser costosa y consumir mucho tiempo. Implica la recopilación de enormes conjuntos de datos, el análisis de millones de picos de difracción de Bragg y la reconstrucción de la muestra utilizando esos picos.

Se espera que la actualización inminente del APS mejore enormemente la velocidad de adquisición de datos HEDM a un minuto o menos. Pero el tiempo de cómputo para completar el análisis de múltiples picos de Bragg puede extenderse a horas o semanas, incluso con las supercomputadoras más grandes. Estos retrasos no solo ralentizan la investigación, sino que también impiden el uso de la información HEDM para dirigir los experimentos. Por ejemplo, los científicos que estudian cómo se forman las grietas en los materiales podrían usar los datos analizados para rastrear dónde están emergiendo esas grietas casi en tiempo real.

Para abordar estos desafíos, los investigadores que trabajan en APS recurrieron a la IA para acelerar y optimizar el análisis de picos de Bragg. El método convencional consiste en usar un modelo 2D o 3D y ajustarle los datos de los picos, pero el nuevo modelo del equipo de investigación puede determinar directamente las posiciones de los picos a partir de los datos.

"Los métodos convencionales funcionan como probarse un traje en una sastrería", dijo el científico computacional de Argonne, Hemant Sharma, autor del estudio. "Primero tienes que probarte una forma estimada y luego ajustarla. Con nuestra técnica, usando una red neuronal, es como generar el traje perfecto al instante a partir de la fotografía de una persona".

Después de entrenar el modelo con datos que contenían picos de difracción, los investigadores pudieron acelerar drásticamente el análisis y mejorar la precisión. "El verdadero logro es que hicimos determinaciones de picos mucho más rápido y también entregamos una precisión de subpíxeles, el estándar de oro para sacar conclusiones útiles", dijo el científico informático de Argonne Zhengchun Liu, el primer autor del artículo.

Los métodos computacionales avanzados utilizados por BraggNN son especialmente propicios para su uso en un chip de unidad de procesamiento de gráficos (GPU), lo que ayuda a acelerar aún más su rendimiento.

El equipo usó el sistema ThetaGPU en Argonne Leadership Computing Facility (ALCF), una instalación para usuarios de la Oficina de Ciencias del DOE, y la plataforma Cerebras AI en ALCF AI Testbed para entrenar rápidamente el modelo.

Se publicó un artículo basado en el estudio en el Journal of the International Union of Crystallography . + Explora más

Ahora en 3D:las técnicas de aprendizaje profundo ayudan a visualizar los datos de rayos X en tres dimensiones