Американские исследователи разработали «физически подкованную» нейросеть DONUT, которая самостоятельно обучается на законах взаимодействия рентгеновского излучения с веществом и расшифровывает наноструктуру материалов в реальном времени. Об этом сообщает «Хайтек» со ссылкой на исследование в журнале npj Computational Materials.
Специалисты из Аргоннской национальной лаборатории Министерства энергетики США представили алгоритм, который радикально ускоряет проведение фундаментальных исследований. Традиционные методы сканирующей нанодифракционной рентгеновской микроскопии создают многомерные массивы данных. Чтобы определить точную ориентацию кристаллической решетки, деформации и дефекты в экспериментальных аккумуляторах или катализаторах, ученым приходилось неделями вручную сравнивать снимки с компьютерными симуляциями. Новый подход автоматизирует этот процесс.
Главной особенностью созданной нейросети стала ее архитектура, изначально учитывающая физические законы рассеяния лучей. В отличие от стандартных моделей искусственного интеллекта, системе DONUT не требуются огромные базы данных с готовыми экспертными разметками и правильными ответами для предварительного обучения. Нейросеть способна учиться прямо на лету, используя первые кадры, полученные на старте реального эксперимента, а ученые могут менять параметры прогнозирования прямо во время работы прибора.
Технология позволяет обрабатывать сложнейшие дифракционные картины в сотни раз быстрее классических математических калькуляторов. Мгновенная обратная связь открывает ученым путь к созданию полностью автономных «самоуправляемых» лабораторий, где искусственный интеллект сможет сам принимать решения о корректировке условий эксперимента на основе текущих наноструктурных изменений в образце. В ближайшем будущем разработчики планируют интегрировать эту архитектуру в масштабные государственные инициативы по удвоению производительности научных центров нового поколения.
Обложка: magnific
