Todo el mundo sabe que la computadora, una entidad similar a la inteligencia artificial (IA), en una nave espacial de Star Trek hace de todo, desde preparar té hasta compilar análisis complejos de datos de flujo. Pero, ¿cómo se utilizan en las instalaciones de investigación reales? ¿Cómo pueden los agentes de IA (programas informáticos que pueden actuar en función de un entorno percibido) ayudar a los científicos a descubrir baterías o materiales cuánticos de última generación? Tres miembros del personal de National Synchrotron Light Source II (NSLS-II) describieron cómo los agentes de IA ayudan a los científicos a utilizar las herramientas de investigación de la instalación. Como instalación para usuarios de la Oficina de Ciencias del Departamento de Energía de EE. UU. (DOE) ubicada en el Laboratorio Nacional Brookhaven del DOE, NSLS-II ofrece sus capacidades experimentales a científicos de todo el mundo que lo utilizan para revelar los misterios de los materiales para la tecnología del mañana.

Desde mejorar las condiciones experimentales hasta mejorar la calidad de los datos, Andi Barbour, Dan Olds, Maksim Rakitin y sus colegas están trabajando en varios proyectos de IA en NSLS-II. Una publicación general reciente en Digital Discovery describe varios, pero no todos, los proyectos de IA en curso en la instalación.

Primer contacto con la IA

Si bien las películas a menudo muestran a los agentes de IA como súper computadoras sensibles que pueden realizar varias tareas, los agentes de IA del mundo real difieren mucho de esta representación.

"Lo que queremos decir cuando decimos IA es que creamos un algoritmo o un método, básicamente algún proceso matemático, que va a hacer algo por nosotros, como clasificar, analizar o tomar decisiones, pero nosotros no vamos a codificar la lógica", explicó Olds, un físico que trabaja en uno de los instrumentos científicos de NSLS-II que permite una amplia gama de proyectos de investigación. Los instrumentos del NSLS-II se denominan líneas de luz porque son una combinación de un sistema de suministro de haz de rayos X y una estación experimental.

Rakitin, un físico especializado en desarrollar software para recolectar o analizar datos en NSLS-II, agregó:"En lugar de darle al programa, el agente de IA, un modelo, construye su propio modelo a través del entrenamiento. Si queremos que reconozca un gato , le mostramos un gato en lugar de explicarle que es un animal peludo con cuatro patas, orejas puntiagudas, cola, etc. El programa tiene que descubrir cómo identificar a un gato por sí mismo".

Los investigadores de instalaciones como NSLS-II tienen dos razones principales para adaptar los agentes de IA a sus necesidades:el gran volumen de datos y su complejidad. Hace veinte años, tomaba varios minutos tomar una imagen de datos, como un patrón de difracción, de una batería. Ahora, en la línea de luz en la que trabaja Olds, pueden hacer el mismo disparo en una fracción de segundo. Si bien esto permite realizar más investigaciones en la línea de luz, supera las estrategias tradicionales utilizadas para analizar los datos.

Barbour, física química, se enfrenta al segundo desafío, los datos complejos, en su trabajo de estudio de la dinámica en materiales cuánticos. Junto a sus colaboradores, investiga cómo evoluciona el orden atómico y electrónico en estos materiales en condiciones variables.

"Cuando hacemos experimentos en la línea de luz, buscamos correlaciones y patrones en los datos a lo largo del tiempo. Entonces, si tuviéramos que escribir un programa largo que capture todas las posibilidades de nuestros experimentos, sería increíblemente complicado, difícil de leer, terrible de mantener y una pesadilla para automatizar. Pero una herramienta de IA puede aprender a manejar nuestros datos complejos sin la necesidad de explicar cada detalle al agente", dijo Barbour.

Involucrar al agente de IA para la optimización

Pero antes de que pueda comenzar cualquier experimento, el haz de rayos X debe prepararse ajustando los diversos componentes ópticos en una línea de luz. Los motores pequeños pero precisos permiten a los investigadores mover cada componente individual según sea necesario. Hay motores que giran espejos para guiar los rayos X, más motores que mueven lentes para enfocar la luz e incluso más motores que controlan rendijas para dar forma al haz. Juntas, todas estas partes proporcionan el haz de rayos X perfecto para el experimento. Cuanto mejor se ajuste el haz al experimento, mejor será la calidad de los datos para los investigadores. Sin embargo, encontrar este haz perfecto no es fácil. De hecho, los investigadores, como Rakitin, lo llaman un problema de optimización multidimensional.

"En lugar de ajustar cada motor para cada conjunto de datos, nuestro proyecto es desarrollar un agente de IA que pueda hacer los ajustes por nosotros automáticamente. El objetivo es darle al programa de IA la forma y/o intensidad del haz que necesitamos, y descubrirá cómo cambiar la posición de cada motor para lograrlo. Esto reduce significativamente el tiempo para comenzar el experimento", dijo Rakitin sobre un proyecto presentado en la 14.ª Conferencia Internacional sobre Instrumentación de Radiación Sincrotrón (enlace al procedimiento previsto para octubre). 2022).

Rakitin y los miembros de su equipo se esfuerzan por crear una línea de luz virtual que permita a los usuarios descubrir las mejores condiciones de haz para su experimento antes de llegar a las instalaciones. Para lograrlo, asigna el comportamiento de cada motor a parámetros específicos que representan propiedades físicas, como los radios de los espejos, en una simulación de la línea de luz. La simulación se desarrolla en un software llamado Sirepo. Un primer estudio sobre esta idea se publicó en 2020 en las actas de la conferencia SPIE.

"Si bien los usuarios pueden usar estas simulaciones de líneas de luz para aprender a ejecutar una línea de luz, también podemos usarlas para planificar otras nuevas. Podemos preparar la simulación en función de los diseños de la línea de luz, incluso antes de ensamblar las piezas físicas. Una vez que la línea de luz está lista, podemos comenzar el proceso de mapeo de los motores a los parámetros específicos en la simulación", dijo Rakitin.

Actualmente, NSLS-II tiene 28 líneas de luz, sin embargo, la instalación puede admitir aproximadamente 30 líneas de luz adicionales. Rakitin espera que varias líneas de luz nuevas utilicen la herramienta durante el proceso de desarrollo.

Configura la IA para aturdir

Una de esas 28 líneas de luz es una línea de luz de difracción de rayos X llamada función de distribución de pares (PDF), donde trabaja Olds. Sirve a muchos usuarios para estudios estructurales de dispersión total de alto rendimiento destinados a comprender las relaciones estructura-propiedad en materiales, desde baterías nuevas hasta cemento "verde". La naturaleza cambiante de las preguntas de investigación en PDF desafía a Olds en la búsqueda de la mejor estrategia de medición para cada experimento. Para mejorar las mediciones, Olds está desarrollando varios agentes de IA que monitorean datos, los miden y analizan, como un asistente de laboratorio digital.

"La pregunta principal que impulsa nuestro trabajo de IA es cómo podemos hacer el mejor uso de cualquier experimento porque el tiempo en una línea de luz es un recurso precioso y limitado. Una vez que finaliza el experimento, tiene todo el tiempo del mundo para analizar los datos. . Pero durante el experimento, es crucial no perderse un cambio importante en su material que podría afectar el descubrimiento que está tratando de hacer. Desea herramientas que puedan ayudarlo a tomar mejores decisiones, como cuándo reducir la velocidad de una rampa de calentamiento porque se está acercando. un punto de datos interesante, o incluso alertarlo de que una medición se ha completado antes de lo previsto. Aquí es donde entra en juego nuestra 'federación' de asistentes de laboratorio de IA. Supervisan los datos. Realizan algunos análisis en tiempo real. Observan las tendencias. . Y luego, cuando sucede algo, gritan. Enfocan nuestra atención, la de los investigadores humanos, en el detalle correcto para que no nos lo perdamos. Los agentes de IA ayudan a asegurarse de que estamos haciendo la mejor ciencia posible, " explicó Olds.

Cuando se le pidió un ejemplo, Dan contó los eventos de un experimento. Los investigadores llegaron a NSLS-II para comprender la descomposición de un material de filtración de gas. Junto con Olds, colocaron los materiales en una corriente de gas, mientras tomaban una foto de rayos X cada segundo. Cada chasquido creó un patrón de anillos brillantes y oscuros (un patrón de difracción). Codificada en estos anillos cambiantes se encuentra la información sobre cómo se organizan los átomos en el material en ese momento. Mientras se ejecutaba la medición, uno de los agentes de IA se animó, indicando que algo había comenzado a cambiar.

"Entonces, revisamos pero no vimos nada. Todavía éramos nuevos en esto. Entonces, nos preguntamos, '¿podemos confiar en el agente de IA?' Pero en una hora quedó claro que el proceso que buscábamos había comenzado. El hermoso polvo blanco que colocamos en la línea de luz se estaba descomponiendo. Todo lo que encontramos después del experimento fue este feo crocante negro. Once the experiment was complete, we ran a traditional analysis of the data and found that the process had started when the AI agent chirped up. That just blew me away, because the changes at the beginning are tiny. 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. + Explora más

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