Les scientifiques développent un nouvel algorithme qui pourrait fournir des informations sur la corrosion des batteries

Les chercheurs d’Argon ont créé une technique automatique qui peut combler les lacunes dans les données de rayons X.

Assembler un puzzle est une excellente activité pour un dimanche après-midi pluvieux. Mais grâce à de nouvelles recherches combinant des rayons X de haute puissance avec des méthodologies de calcul avancées, assembler rapidement des puzzles scientifiques 3D – les structures atomiques de divers matériaux – est un processus légèrement plus difficile.

Des chercheurs du Laboratoire national d’Argonne du Département américain de l’énergie (DOE) ont mis au point une nouvelle technique qui accélère la résolution des structures matérielles à partir de modèles révélés dans des expériences aux rayons X. La technique permet aux chercheurs d’étudier certaines caractéristiques, telles que la corrosion ou la charge et la décharge de la batterie, en temps réel.

« Il est difficile d’obtenir des informations de phase avec le type de diffraction que nous réalisons ; c’est comme comprendre comment toutes les pièces (d’un puzzle) s’emboîtent en se basant uniquement sur les couleurs que vous pouvez voir dans chaque pièce. – Yudong Yao, Laboratoire national d’Argonne.

La technique, appelée AutoPhaseNN, est basée sur une méthode appelée apprentissage automatique, qui entraîne un algorithme sur certaines données expérimentales, puis l’utilise pour sélectionner le résultat le plus probable de l’expérience en cours. Les données utilisées dans ce cas sont générées en faisant briller les rayons X ultra-brillants de la source de photons avancée (APS) d’Argonne sur le matériau et en piégeant la lumière lorsqu’elle rebondit, un processus appelé diffraction. APS est une installation utilisateur du DOE Office of Science à Argonne.

Les nouvelles techniques sont importantes car l’APS subit une mise à niveau majeure qui augmentera la luminosité des rayons X jusqu’à 500 fois. Cela signifie qu’une fois que l’APS amélioré sera mis en ligne en 2024, davantage de données seront collectées plus rapidement, et les scientifiques auront besoin d’un moyen de suivre l’analyse de ces données. Les solutions d’apprentissage automatique comme AutoPhaseNN joueront un rôle important dans les analyses de données plus rapides nécessaires à l’avenir chez APS, ainsi que dans des installations similaires à travers le monde.

AutoPhaseNN est un exemple d’apprentissage automatique “non supervisé”, ce qui signifie qu’un algorithme informatique apprend de son expérience comment effectuer un calcul avec plus de précision et d’efficacité, sans être formé avec des solutions étiquetées prédéfinies, un processus qui implique généralement une intervention humaine.

“Ce nouvel algorithme est essentiellement capable de résoudre ce que nous appelons le problème inverse, en passant par les pièces du puzzle pour créer le puzzle lui-même”, a déclaré Matthew Cherukara, scientifique en informatique et chef d’équipe d’Argon, auteur de l’étude. “Essentiellement, nous prenons une série d’observations et essayons d’identifier les conditions qui les ont créées. Au lieu de résoudre le puzzle en répétant le processus de test et de révision basé sur les connaissances préalables, notre algorithme assemble le puzzle à partir des pièces cassées en une seule étape. .”

Pour obtenir des informations sur la structure d’un matériau, les scientifiques doivent obtenir des informations non seulement sur l’amplitude du signal diffracté, mais également sur sa phase. Cependant, l’amplitude ou l’intensité est la seule partie qui peut être mesurée directement.

Parce que les rayons X utilisés pour illuminer l’échantillon sont cohérents, ce qui signifie qu’ils partagent tous initialement la même phase, tout changement de phase dû à la diffraction peut être réfléchi vers l’échantillon lui-même, ont déclaré le nanoscientifique d’Argonne et son collègue. par Henri Chan.

“La recherche de phase est essentielle pour comprendre la structure – la plupart des informations pertinentes se trouvent dans la phase”, a déclaré l’auteur principal Yudong Yao, physicien des rayons X Argon au moment de cette étude. “Obtenir des informations de phase avec le type de diffraction que nous faisons est difficile ; c’est comme déterminer comment toutes les pièces s’emboîtent en se basant uniquement sur les couleurs que vous pouvez voir dans chaque pièce.”

Pour résoudre ce problème inverse, pour les réseaux de neurones conventionnels et supervisés, les chercheurs devraient associer “des énigmes brisées »avec des exemples entièrement assemblés afin que le réseau de neurones puisse avoir quelque chose sur lequel s’entraîner. Avec un réseau de neurones non supervisé, l’algorithme peut apprendre à reconstituer le puzzle simplement à partir des pièces cassées. Le réseau résultant est rapide, précis et (contrairement aux méthodes traditionnelles) capable de fournir des images 3D en temps réel aux utilisateurs scientifiques d’installations telles que l’APS.

Un article basé sur la recherche, “AutoPhaseNN: apprentissage en profondeur non supervisé sensible à la physique de l’imagerie par diffraction cohérente de Bragg à l’échelle nanométrique 3D », est apparu en ligne le 3 juin dans NPJ Computational Materials. Avec Cherukara et Yao, d’autres auteurs incluent Henry Chan d’Argonne, Subramanian Sankaranarayanan , Prasanna Il y a Balaprakash et Ross Harder.

Le travail a été financé par le Bureau des sciences du DOE. Cette recherche a utilisé les ressources du Center for Nanoscale Materials and Argon Guidance Computing Facility et du Laboratory Computing Resource Center à Argon, qui sont les installations des utilisateurs du DOE Science Office.

À propos de la source de photons avancée : L’Advanced Photon Source (APS) du Laboratoire national d’Argonne de l’Office of Science du Département américain de l’énergie est l’une des installations de source de lumière à rayons X les plus productives au monde. APS fournit des rayons X à haute luminosité à une communauté diversifiée de chercheurs en science des matériaux, en chimie, en physique de la matière condensée, en sciences de la vie et de l’environnement et en recherche appliquée. Ces rayons X sont idéaux pour étudier les matériaux et les structures biologiques ; distribution élémentaire; états chimiques, magnétiques, électroniques ; et une grande variété de systèmes d’ingénierie technologiquement importants, des batteries aux injecteurs de carburant, qui sont tous essentiels au bien-être économique, technologique et physique de notre pays. Chaque année, plus de 5 000 chercheurs utilisent APS pour produire plus de 2 000 publications détaillant des découvertes percutantes et résoudre plus de structures protéiques biologiques vitales que les utilisateurs de toute autre installation de recherche à source lumineuse à rayons X. Les scientifiques et ingénieurs d’APS innovent dans la technologie qui sous-tend le fonctionnement des accélérateurs et des sources lumineuses. Cela comprend des dispositifs d’insertion qui génèrent des rayons X à une luminosité extrême évaluée par les chercheurs, des lentilles qui focalisent les rayons X jusqu’à quelques nanomètres, des dispositifs qui maximisent l’interaction des rayons X avec les échantillons étudiés et des logiciels d’acquisition et de collecte. Gère la grande quantité de données générées par la recherche de découverte à l’APS.

Cette recherche a utilisé les ressources de l’Advanced Photon Source, une installation d’utilisateurs scientifiques du DOE américain exploitée par le Laboratoire national d’Argonne pour le Bureau des sciences du DOE sous le contrat n° DE-AC02-06CH11357.

Laboratoire National d’Argonne cherche des solutions aux problèmes nationaux actuels en science et technologie. En tant que premier laboratoire national du pays, Argonne mène des recherches scientifiques fondamentales et appliquées avancées dans pratiquement toutes les disciplines scientifiques. Les chercheurs d’Argonne travaillent en étroite collaboration avec des chercheurs de centaines d’entreprises, d’universités et d’agences fédérales, étatiques et municipales pour les aider à résoudre leurs défis uniques, faire progresser le leadership scientifique américain et préparer la nation à un avenir meilleur. Avec des collaborateurs de plus de 60 nationalités, Argonne est dirigée par UChicago Argonne, SARL Pour le Bureau des sciences du Département américain de l’énergie.

Bureau des sciences du département américain de l’énergie C’est le plus grand soutien de la recherche fondamentale en sciences physiques aux États-Unis et s’efforce de résoudre les problèmes les plus urgents de notre époque. Pour plus d’informations, visitez https://energy​.gov/s​c​ience.

Par Jared Sagoff. Courtoisie.

Image en vedette : Carlos Diaz-Ruiz, doctorant à l’Université de Cornell/Ryan Young, conduit un véhicule de collecte de données et démontre certaines des techniques de collecte de données que les chercheurs sur les voitures autonomes utilisent pour créer leurs algorithmes.

 

Appréciez-vous l’originalité et l’actualité des technologies propres de CleanTechnica ? Envisagez de devenir membre, supporteur, technicien ou ambassadeur de CleanTechnica, ou mécène sur Patreon.


Vous ne voulez pas manquer une histoire de technologies propres ? Inscrivez-vous pour recevoir les mises à jour quotidiennes de CleanTechnica par e-mail. Ou suivez-nous sur Google Actualités !


Vous avez un conseil sur CleanTechnica, vous souhaitez faire de la publicité ou suggérer un invité pour notre podcast CleanTech Talk ? Contactez-nous ici.


Publicité


Leave a Reply

Your email address will not be published. Required fields are marked *