• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  science >> Science >  >> Chimie
    Des scientifiques améliorent l'analyse des données radiologiques grâce à l'intelligence artificielle

    Les chercheurs d'Argonne ont utilisé l'intelligence artificielle pour identifier et reconstruire rapidement les pics dans les données de diffraction. Crédit :Antonino Miceli/Laboratoire national d'Argonne

    L'intelligence artificielle (IA) transforme tous les domaines scientifiques, de la biologie à la science des matériaux. En ce qui concerne certains types d'expériences aux rayons X, de nouvelles approches d'IA ont permis aux chercheurs d'obtenir une analyse plus précise de leurs échantillons et de le faire en un temps beaucoup plus court.

    Un groupe de chercheurs du Laboratoire national d'Argonne du Département américain de l'énergie (DOE) exploite l'IA pour effectuer la tâche difficile d'analyser les données d'expériences de rayons X à haute énergie. Grâce à une nouvelle méthode basée sur un réseau de neurones appelée BraggNN, l'équipe d'Argonne peut identifier plus précisément les pics de Bragg, des points de données qui indiquent les positions et les orientations de minuscules cristaux individuels, en une fraction du temps qu'ils avaient l'habitude de faire.

    Les réseaux de neurones (le NN dans BraggNN) sont des algorithmes qui recherchent des modèles dans les données et, au fil du temps, apprennent à prédire les résultats, accélérant ainsi l'analyse de ces données.

    "BraggNN nous donne une efficacité et une vitesse bien supérieures à celles des techniques conventionnelles", a déclaré Antonino Miceli d'Argonne, auteur de l'article et chef de groupe à l'Advanced Photon Source (APS), une installation utilisateur du DOE Office of Science à Argonne.

    Ces dernières années, une technique appelée microscopie à diffraction à haute énergie (HEDM) est devenue l'un des moyens les plus populaires utilisés par les scientifiques pour caractériser avec précision des matériaux complexes à haute résolution. Bien que l'HEDM se soit avéré être une grande amélioration par rapport aux techniques conventionnelles, il peut également être coûteux et prendre du temps. Cela implique la collecte d'énormes ensembles de données, l'analyse de millions de pics de diffraction de Bragg et la reconstruction de l'échantillon à l'aide de ces pics.

    La mise à niveau imminente de l'APS devrait améliorer considérablement la vitesse d'acquisition des données HEDM à une minute ou moins. Mais le temps de calcul pour effectuer l'analyse de plusieurs pics de Bragg peut s'étendre sur des heures ou des semaines, même avec les plus grands supercalculateurs. Non seulement ces retards ralentissent la recherche, mais ils empêchent également l'utilisation des informations HEDM pour orienter les expériences. Par exemple, les scientifiques qui étudient la formation de fissures dans les matériaux pourraient utiliser les données analysées pour suivre l'émergence de ces fissures, en temps quasi réel.

    Pour relever ces défis, les chercheurs travaillant à l'APS se sont tournés vers l'IA pour accélérer et rationaliser l'analyse des pics de Bragg. La méthode conventionnelle consiste à utiliser un modèle 2D ou 3D et à y ajuster les données de pointe, mais le nouveau modèle de l'équipe de recherche peut directement déterminer les positions des pics à partir des données.

    "Les méthodes conventionnelles fonctionnent comme essayer un costume chez un tailleur", a déclaré le scientifique en informatique d'Argonne Hemant Sharma, auteur de l'étude. "Vous devez d'abord essayer une forme estimée, puis l'ajuster. Avec notre technique, utilisant un réseau de neurones, c'est comme générer le costume parfait instantanément à partir d'une simple photographie d'une personne."

    Une fois le modèle formé sur des données contenant des pics de diffraction, les chercheurs ont pu accélérer considérablement l'analyse et améliorer la précision. "La véritable réussite est que nous avons rendu les déterminations de pic beaucoup plus rapides et avons également fourni une précision inférieure au pixel, la référence absolue pour tirer des conclusions utiles", a déclaré l'informaticien d'Argonne Zhengchun Liu, le premier auteur de l'article.

    Les méthodes de calcul avancées utilisées par BraggNN sont particulièrement propices à une utilisation sur une puce d'unité de traitement graphique (GPU), ce qui contribue à accélérer encore ses performances.

    L'équipe a utilisé le système ThetaGPU de l'Argonne Leadership Computing Facility (ALCF), une installation utilisateur du DOE Office of Science, et la plate-forme Cerebras AI du ALCF AI Testbed pour former rapidement le modèle.

    Un article basé sur l'étude a été publié dans le Journal of the International Union of Crystallography . + Explorer plus loin

    Désormais en 3D :les techniques d'apprentissage en profondeur permettent de visualiser les données radiographiques en trois dimensions




    © Science https://fr.scienceaq.com