Tout le monde sait que l'ordinateur - une entité semblable à l'intelligence artificielle (IA) - sur un vaisseau spatial Star Trek fait tout, de la préparation du thé à la compilation d'analyses complexes de données de flux. Mais comment sont-ils utilisés dans de véritables installations de recherche ? Comment les agents d'intelligence artificielle, des programmes informatiques capables d'agir en fonction d'un environnement perçu, peuvent-ils aider les scientifiques à découvrir des batteries ou des matériaux quantiques de nouvelle génération ? Trois membres du personnel de la National Synchrotron Light Source II (NSLS-II) ont décrit comment les agents d'IA soutiennent les scientifiques utilisant les outils de recherche de l'installation. En tant qu'installation utilisateur du Bureau des sciences du Département américain de l'énergie (DOE) située au Laboratoire national de Brookhaven du DOE, NSLS-II offre ses capacités expérimentales aux scientifiques du monde entier qui l'utilisent pour révéler les mystères des matériaux pour la technologie de demain.

De l'amélioration des conditions expérimentales à l'amélioration de la qualité des données, Andi Barbour, Dan Olds, Maksim Rakitin et leurs collègues travaillent sur divers projets d'IA au NSLS-II. Une récente publication de synthèse dans Digital Discovery décrit plusieurs projets d'IA en cours, mais pas tous, dans l'établissement.

Premier contact avec l'IA

Alors que les films montrent souvent les agents de l'IA comme des super ordinateurs sensibles capables d'effectuer diverses tâches, les agents de l'IA du monde réel diffèrent considérablement de cette représentation.

"Ce que nous voulons dire lorsque nous disons IA, c'est que nous proposons un algorithme ou une méthode - essentiellement un processus mathématique - qui va faire quelque chose pour nous, comme classer, analyser ou prendre des décisions, mais nous ' Je ne vais pas coder en dur la logique », a expliqué Olds, un physicien qui travaille sur l'un des instruments scientifiques de NSLS-II qui permet un large éventail de projets de recherche. Les instruments de NSLS-II sont appelés lignes de lumière car ils sont une combinaison d'un système de livraison de faisceaux de rayons X et d'une station expérimentale.

Rakitin, un physicien spécialisé dans le développement de logiciels pour collecter ou analyser des données au NSLS-II, a ajouté :"Au lieu de donner au programme - l'agent d'IA - un modèle, il construit son propre modèle par le biais de la formation. Si nous voulons qu'il reconnaisse un chat , nous lui montrons un chat au lieu d'expliquer qu'il s'agit d'un animal à fourrure avec quatre pattes, des oreilles pointues, une queue, etc. Le programme doit trouver comment identifier un chat par lui-même."

Les chercheurs d'installations telles que NSLS-II ont deux raisons principales d'adapter les agents d'IA à leurs besoins :le volume considérable de données et sa complexité. Il y a vingt ans, il fallait plusieurs minutes pour prendre une image de données, telle qu'un motif de diffraction, d'une batterie. Maintenant, sur la ligne de lumière sur laquelle travaille Olds, ils peuvent prendre la même photo en une fraction de seconde. Bien que cela permette d'effectuer davantage de recherches sur la ligne de lumière, cela dépasse les stratégies traditionnelles utilisées pour analyser les données.

Barbour, physicienne chimiste, fait face au deuxième défi, les données complexes, dans son travail d'étude de la dynamique des matériaux quantiques. Avec ses collaborateurs, elle étudie comment l'ordre atomique et électronique de ces matériaux évolue dans des conditions variables.

"Lorsque nous faisons des expériences sur la ligne de lumière, nous recherchons des corrélations et des modèles dans les données au fil du temps. Donc, si nous devions écrire un long programme qui capture toutes les possibilités de nos expériences, ce serait incroyablement compliqué, difficile à lire, terrible à entretenir et un cauchemar à automatiser. Mais un outil d'IA peut apprendre à gérer nos données complexes sans avoir besoin d'expliquer chaque détail à l'agent », a déclaré Barbour.

Engager un agent d'IA pour l'optimisation

Mais avant de pouvoir démarrer toute expérience, le faisceau de rayons X doit être préparé en ajustant les différents composants optiques d'une ligne de lumière. Des moteurs petits mais précis permettent aux chercheurs de déplacer chaque composant individuel selon les besoins. Il existe des moteurs qui font tourner les miroirs pour guider les rayons X, d'autres moteurs qui déplacent les lentilles pour focaliser la lumière et encore plus de moteurs qui contrôlent les fentes pour façonner le faisceau. Ensemble, toutes ces pièces fournissent le faisceau de rayons X parfait pour l'expérience. Plus le faisceau correspond à l'expérience, meilleure est la qualité des données pour les chercheurs. Cependant, trouver ce faisceau parfait n'est pas facile. En fait, des chercheurs, tels que Rakitin, appellent cela un problème d'optimisation multidimensionnelle.

"Au lieu de peaufiner chaque moteur pour chaque ensemble de données, notre projet est de développer un agent d'IA qui peut faire le peaufinage pour nous automatiquement. L'objectif est de donner au programme d'IA la forme et/ou l'intensité du faisceau dont nous avons besoin, et il trouveront comment changer la position de chaque moteur pour y parvenir. Cela réduit considérablement le temps de démarrage de l'expérience », a déclaré Rakitin à propos d'un projet présenté à la 14e Conférence internationale sur l'instrumentation du rayonnement synchrotron (lien vers la procédure prévue en octobre 2022).

Rakitin et les membres de son équipe s'efforcent en fait de créer une ligne de lumière virtuelle qui permet aux utilisateurs de déterminer les meilleures conditions de faisceau pour leur expérience avant d'arriver à l'installation. Pour y parvenir, il mappe le comportement de chaque moteur sur des paramètres spécifiques qui représentent les propriétés physiques, telles que les rayons des miroirs, dans une simulation de la ligne de lumière. La simulation est développée dans un logiciel appelé Sirepo. Une première étude sur cette idée a été publiée en 2020 dans les actes du colloque SPIE.

"Alors que les utilisateurs peuvent utiliser ces simulations de lignes de lumière pour apprendre à faire fonctionner une ligne de lumière, nous pouvons également l'utiliser pour en planifier de nouvelles. Nous pouvons préparer la simulation en fonction des conceptions de la ligne de lumière avant même que les pièces physiques ne soient assemblées. Une fois le ligne de lumière est prête, nous pouvons commencer le processus de mappage des moteurs aux paramètres spécifiques de la simulation », a déclaré Rakitin.

Actuellement, NSLS-II dispose de 28 lignes de lumière, cependant, l'installation peut prendre en charge environ 30 lignes de lumière supplémentaires. Rakitin s'attend à ce qu'un certain nombre de nouvelles lignes de lumière utilisent l'outil au cours du processus de développement.

Régler l'IA sur étourdissement

L'une de ces 28 lignes de lumière est une ligne de lumière de diffraction des rayons X appelée ligne de lumière de la fonction de distribution de paires (PDF), où travaille Olds. Il sert de nombreux utilisateurs pour des études structurelles à diffusion totale à haut débit visant à comprendre les relations structure-propriété dans les matériaux, des nouvelles batteries au ciment "vert". La nature en constante évolution des questions de recherche au PDF défie Olds dans la recherche de la meilleure stratégie de mesure pour chaque expérience. Pour améliorer les mesures, Olds développe divers agents d'IA qui surveillent les données, les mesurent et les analysent, comme un assistant de laboratoire numérique.

"La principale question qui anime notre travail d'IA est de savoir comment tirer le meilleur parti de toute expérience, car le temps passé sur une ligne de lumière est une ressource précieuse et limitée. Une fois l'expérience terminée, vous avez tout le temps du monde pour analyser les données. . Mais pendant l'expérience, il est crucial de ne pas manquer un changement important dans votre matériel qui pourrait affecter la découverte que vous essayez de faire. Vous voulez des outils qui peuvent vous aider à prendre de meilleures décisions comme quand ralentir une rampe de chauffage parce que vous approchez un point de données intéressant, ou même vous alerter qu'une mesure s'est terminée plus tôt que prévu. C'est là que notre « fédération » d'assistants de laboratoire d'IA entre en jeu. Ils surveillent les données. Ils effectuent des analyses en temps réel. Ils surveillent les tendances. . Et puis, quand quelque chose se passe, ils appellent. Ils concentrent notre attention, celle des chercheurs humains, sur le bon détail afin que nous ne le manquions pas. Les agents de l'IA aident à s'assurer que nous faisons la meilleure science possible, " a expliqué Olds.

Lorsqu'on lui a demandé un exemple, Dan a raconté les événements d'une expérience. Les chercheurs sont venus au NSLS-II pour comprendre la dégradation d'un matériau de filtration de gaz. Avec Olds, ils ont mis en place les matériaux dans un flux de gaz, tout en prenant une photo aux rayons X toutes les secondes. Chaque claquement créait un motif d'anneaux brillants et sombres (un motif de diffraction). Encodées dans ces anneaux changeants se trouvent des informations sur la façon dont les atomes sont disposés dans le matériau à ce moment précis. Pendant que la mesure était en cours, l'un des agents de l'IA s'est redressé, indiquant que quelque chose avait commencé à changer.

"Alors, nous avons vérifié mais n'avons rien vu. Nous étions encore novices dans ce domaine. Alors, nous nous sommes demandé 'pouvons-nous faire confiance à l'agent de l'IA?" Mais en moins d'une heure, il est devenu clair que le processus que nous recherchions avait commencé. La belle poudre blanche que nous avions placée dans la ligne de lumière se désagrégeait. Tout ce que nous avons trouvé après l'expérience, c'est ce vilain croustillant noir. 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. + Explorer plus loin

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