به گزارش گروه دانشگاه خبرگزاری دانشجو؛ از ستاد ویژه توسعه فناوری نانو، پژوهشگران آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده آمریکا (Argonne National Laboratory) با توسعه یک ابزار جدید مبتنی بر یادگیری ماشین، گام مهمی در جهت تغییر شیوه انجام آزمایشهای مواد در مقیاس نانومتری برداشتهاند.
این ابزار که «دونات» (DONUT) نام دارد، میتواند دادههای پیچیده حاصل از آزمایشهای پراش پرتو ایکس را تقریباً در لحظه تحلیل کند؛ قابلیتی که به دانشمندان اجازه میدهد بهجای هفتهها یا ماهها انتظار برای دریافت نتایج، در همان زمان انجام آزمایش درباره ادامه مسیر پژوهش تصمیم بگیرند.
این فناوری در منبع فوتونی پیشرفته (Advanced Photon Source) یا APS، یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا، توسعه و آزمایش شده است. «دونات» با ارائه نتایج در زمان واقعی، نهتنها سرعت پژوهشهای علمی را افزایش میدهد، بلکه امکان اصلاح و تنظیم آزمایشها در حین اجرا را نیز فراهم میکند.
به این ترتیب، پژوهشگر میتواند متوجه شود آزمایش به نتیجه مطلوب نزدیک شده یا نیاز دارد مسیر دیگری را دنبال کند؛ اتفاقی که در روشهای سنتی معمولاً پس از پایان آزمایش و طی فرایند طولانی تحلیل داده مشخص میشود.
نام DONUT مخفف عبارت «Diffraction with Optics for Nanobeam by Unsupervised Training» است و به یک شبکه عصبی آگاه از فیزیک اشاره دارد. ویژگی مهم این سامانه آن است که صرفاً بر اساس الگوهای آماری دادهها آموزش نمیبیند، بلکه قوانین فیزیکی حاکم بر برهمکنش پرتوهای ایکس متمرکز با مواد را نیز در فرایند تحلیل در نظر میگیرد.
این فناوری با استفاده از دادههای خط پرتو «نانومسبار پرتو ایکس سخت» (Hard X-ray Nanoprobe) که بهصورت مشترک در اختیار منبع فوتونی پیشرفته و مرکز مواد نانومقیاس (Center for Nanoscale Materials) قرار دارد، توسعه یافته است. مرکز مواد نانومقیاس نیز یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا در آزمایشگاه ملی آرگون است.
«دونات» برای تفسیر سریع تصاویر پیچیدهای طراحی شده است که در روش «میکروسکوپی نانودیفراکشن پرتو ایکس پیمایشی» (Scanning X-ray Nanodiffraction Microscopy یا SXDM) تولید میشوند. این روش با استفاده از یک پرتو بسیار متمرکز پرتو ایکس، سطح نمونه را پیمایش میکند و اطلاعات ارزشمندی درباره ساختار بلوری مواد در اختیار پژوهشگران قرار میدهد.
چنین اطلاعاتی برای درک رفتار موادی که در فناوریهایی مانند باتریها، کاتالیستها، تجهیزات الکترونیکی پیشرفته و ادوات مغناطیسی مورد استفاده قرار میگیرند، اهمیت زیادی دارد.
با وجود قدرت بالای SXDM، دادههای تولیدشده در این روش بسیار پیچیدهاند و چندین لایه و بُعد اطلاعاتی را در خود جای میدهند. همین مسئله تحلیل و تفسیر آنها را به کاری زمانبر و دشوار تبدیل کرده است.
تا پیش از این، پژوهشگران در بسیاری از موارد مجبور بودند الگوهای پراش پرتو ایکس اندازهگیریشده را بهصورت دستی با الگوهای شبیهسازیشده مقایسه کنند تا بتوانند ساختار و ویژگیهای ماده را تشخیص دهند. این فرایند علاوه بر زمانبر بودن، احتمال بروز خطای انسانی را نیز افزایش میداد.
«دونات» با ترکیب هوش مصنوعی و یک مدل فیزیکی داخلی، رویکرد متفاوتی را ارائه میکند. این سامانه میتواند مستقیماً از دادههای تجربی جمعآوریشده یاد بگیرد و برای آموزش به مجموعهدادههایی نیاز نداشته باشد که از پیش توسط متخصصان برچسبگذاری شدهاند. در روشهای متداول، متخصص باید هر الگوی پرتو ایکس را با پاسخ درست تطبیق دهد یا دادههای مناسب را با شبیهسازی تولید کند تا الگوریتم بتواند از آنها بیاموزد. حذف یا کاهش این مرحله، مزیت مهمی برای پژوهشگرانی محسوب میشود که در تأسیسات تحقیقاتی پرتراکم مانند APS فعالیت میکنند.
آیلین لو، دانشمند محاسباتی دستیار در آزمایشگاه آرگون و دانشگاه کرنل، درباره این فناوری میگوید «دونات» به دانشمندان اجازه میدهد همزمان با پیشرفت آزمایش، آنچه را درون ماده اتفاق میافتد مشاهده کنند. به گفته او، در گذشته ممکن بود پژوهشگر هفتهها منتظر بماند تا مشخص شود آزمایش موفق بوده است یا خیر، اما اکنون میتوان پاسخ را تقریباً در همان لحظه دریافت کرد. نتیجه چنین تغییری، آزمایشهای پربازدهتر و فرصتهای بیشتر برای کشف پدیدههای جدید خواهد بود.
متئو چروکارا، دانشمند محاسباتی و سرپرست گروه در آزمایشگاه آرگون نیز بر انعطافپذیری این سامانه تأکید کرده است. به گفته او، پژوهشگران میتوانند «دونات» را با دادههایی که در ابتدای آزمایش جمعآوری میکنند آموزش دهند و حتی در طول آزمایش مشخص کنند که سامانه باید چه کمیتی را پیشبینی کند. به بیان سادهتر، هوش مصنوعی میتواند خود را با پرسش علمی جدیدی که پژوهشگر در جریان آزمایش مطرح میکند، تطبیق دهد.
سرعت و دقت «دونات» همچنین زمینه را برای شکلگیری نسل جدیدی از آزمایشهای موسوم به «پژوهش خودران» یا «آزمایشهای خودران» فراهم میکند. در چنین رویکردی، هوش مصنوعی میتواند بر اساس نتایج تازه بهدستآمده، مرحله بعدی آزمایش را پیشنهاد یا حتی بهصورت خودکار انتخاب کند.
این قابلیت بهویژه برای آزمایشهایی اهمیت دارد که در شرایط واقعی انجام میشوند و ویژگیهای ماده در طول زمان تغییر میکند. در چنین شرایطی، تصمیمگیری سریع میتواند تفاوت میان یک آزمایش موفق و ساعتها جمعآوری داده کمفایده باشد؛ بشر بالاخره پذیرفته است که لازم نیست همیشه بعد از تمام شدن کار بفهمد چه اشتباهی کرده است.
این فناوری همچنین میتواند ورود کاربران جدید به تأسیسات تحقیقاتی APS و مرکز مواد نانومقیاس را آسانتر کند. دانشجویان تحصیلات تکمیلی و پژوهشگران مهمان دیگر الزاماً برای شروع کار به مجموعههای بزرگی از دادههای برچسبگذاریشده یا تخصص عمیق در تفسیر همه انواع دادههای تولیدشده نیاز نخواهند داشت. در روش سنتی، تهیه چنین دادههایی مستلزم زمان و دانش تخصصی قابلتوجهی است؛ زیرا متخصصان باید هر مجموعه داده را با دقت تحلیل یا شبیهسازی کرده و پاسخ صحیح را برای آن تعیین کنند.
اهمیت این قابلیت با ارتقای منبع فوتونی پیشرفته بیشتر میشود. نسخه ارتقایافته APS قادر است پرتوهای ایکس پرشدتتری تولید کند و دادهها را با سرعت بسیار بالاتری نسبت به گذشته جمعآوری کند. بنابراین، سرعت تحلیل داده نیز باید همپای سرعت تولید آن افزایش یابد. «دونات» میتواند این شکاف را کاهش دهد و به پژوهشگران اجازه دهد همزمان با تولید داده، آنها را تحلیل کرده و درباره ادامه آزمایش تصمیم بگیرند.
پژوهشگران در گام بعدی قصد دارند دامنه استفاده از «دونات» را از تحلیل بلادرنگ دادهها به سمت خودکارسازی آزمایشها گسترش دهند. یکی از مسیرهای مورد بررسی، توسعه نسخههای جدید این فناوری برای میکروسکوپی خودران است؛ رویکردی که در آن ابزارهای هوش مصنوعی میتوانند بخشی از مراحل آزمایش را بدون نیاز به دخالت دائمی انسان هدایت کنند.
گروه پژوهشی همچنین در حال بررسی این موضوع است که آیا رویکرد «آگاه از فیزیک» بهکاررفته در «دونات» میتواند برای سایر روشهای تصویربرداری پیشرفته نیز مورد استفاده قرار گیرد یا خیر؛ روشهایی که آنها نیز حجم عظیمی از دادههای پیچیده تولید میکنند و تحلیل آنها به ابزارهای محاسباتی پیشرفته نیاز دارد.
پژوهشگران معتقدند چارچوب آموزشی مبتنی بر فیزیک این سامانه میتواند در طرحهای بزرگتر وزارت انرژی آمریکا، از جمله «ماموریت جنسیس» (Genesis Mission)، نیز نقش داشته باشد. این طرح ملی با هدف افزایش بهرهوری علمی و سرعتبخشیدن به نوآوری از طریق استفاده گسترده از هوش مصنوعی در زیرساختهای علمی نسل آینده دنبال میشود.
«دونات» میتواند یکی از پایههای پروژههای مرتبط با منابع نور و نوترون در این طرح باشد و به پژوهشگران رشتههای مختلف کمک کند پرسشهای علمی جدیدی را با سرعت بیشتری بررسی کنند.
نتایج این پژوهش در نشریه «npj Computational Materials» منتشر شده است. تائو ژو، مینگ دو و مارتین هولت از آزمایشگاه ملی آرگون و آندری زینگر از دانشگاه کرنل نیز در انجام این مطالعه مشارکت داشتهاند. این پژوهش با حمایت دفتر علوم وزارت انرژی آمریکا، برنامههای «پژوهش پیشرفته محاسبات علمی» و «علوم پایه انرژی» و همچنین دفتر توسعه نیروی انسانی برای معلمان و دانشمندان این وزارتخانه انجام شده است.
در این میان، نام «دونات» نیز عمداً با حالوهوایی غیررسمی انتخاب شده است و پژوهشگران در پایان گزارش خود با شوخی نوشتهاند که در جریان انجام این پژوهش هیچ دوناتی آسیب ندیده است؛ هرچند نتایج بهدستآمده احتمالاً اشتهای دانشمندان برای کشفهای تازه را حسابی بیشتر خواهد کرد.
