Всеки, който е прекарал поне няколко нощи пред терминала на синкротронен източник, знае точно как изглежда физическият ад: терабайти сурови дифракционни петна, трупащи се върху твърдите дискове, докато детекторът бълва хиляди кадри в секунда. Години наред тесният ресурс в материалната наука не бяха самите експериментални инсталации, а времето на изследователите, принудени да сравняват ръчно експерименталните пикове с компютърни симулации. Националната лаборатория Аргон към Министерството на енергетиката на САЩ съобщава за опит да се прешие този процесуален шев чрез невронната мрежа DONUT, чиято архитектура е описана в списанието Computational Materials.
Инженерната логика зад рентгеновия анализ
Сканиращата нанодифракция е фундаментално брутален метод. Фокусираният рентгенов лъч с диаметър от десетки нанометри обхожда пробата точка по точка. Във всяка позиция кристалната решетка огъва фотоните, а двумерният детектор фиксира дифракционната картина. От тези интерферентни петна изследователят трябва да възстанови ориентацията на кристалната решетка, вътрешните механични напрежения и дефектите в структурата. Когато се изследват деградационните процеси в литиево-йонни катоди или каталитични повърхности в реално време, количеството постъпващи данни надхвърля капацитета за класическа математическа обработка. Това създава абсурдни ситуации, при които сам по себе си експериментът отнема 12 часа на синхротрона Advanced Photon Source, а последващият анализ отнема на екипа три месеца.
Стандартните невронни мрежи за компютърно зрение тук се провалят поради фундаментален физически проблем: те изискват огромни обучителни масиви от предварително маркирани данни. За да обучите конволюционна мрежа да разпознава специфично напрежение в кристала, трябва предварително да генерирате или ръчно да класифицирате десетки хиляди симулирани дифракционни картини. Ако пробата съдържа неизвестна фаза или нестандартен дефект, стандартният алгоритъм просто започва да халюцинира познати шаблони.
