Le laboratoire national d'Argonne aux États-Unis dévoile l'outil DONUT pour accélérer l'analyse en temps réel des données de nanodiffraction des rayons X

Les chercheurs du laboratoire national d'Argonne du département de l'Énergie des États-Unis ont développé un nouvel outil d'apprentissage automatique nommé DONUT pour accélérer l'analyse des données de rayons X lors des expériences menées à la source de photons avancée (APS). Cet outil peut traiter en temps réel, pendant les expériences, les images complexes générées par la microscopie de nanodiffraction des rayons X à balayage (SXDM), aidant ainsi les chercheurs à déterminer plus rapidement les changements de structure interne des matériaux.

DONUT, acronyme de « diffraction optique nanofaisceau basée sur l'apprentissage non supervisé », est un réseau neuronal à conscience physique. Sa particularité réside dans la combinaison de méthodes d'intelligence artificielle avec des modèles physiques d'interaction entre le faisceau de rayons X focalisé et les matériaux, lui permettant d'apprendre directement à partir des données expérimentales sans dépendre d'échantillons d'entraînement pré-annotés. L'équipe de recherche indique que cette conception réduit le travail de comparaison manuelle entre les diagrammes de mesure et les diagrammes simulés dans l'analyse de données traditionnelle, et abaisse également le seuil d'accès aux installations de sources de lumière avancées pour les nouveaux utilisateurs.

La microscopie de nanodiffraction des rayons X à balayage peut révéler des informations sur la structure cristalline des matériaux à l'échelle nanométrique, ce qui joue un rôle important dans la recherche sur les matériaux de batteries, les catalyseurs ainsi que les dispositifs électroniques et magnétiques avancés. Cependant, les données générées par ce type d'expériences sont de grande dimension et de structure complexe, et leur analyse nécessitait auparavant plusieurs semaines, voire plusieurs mois. Grâce à DONUT, les chercheurs peuvent obtenir des résultats d'analyse sur le site expérimental, dans certains cas des centaines de fois plus rapidement qu'avec les méthodes traditionnelles, permettant ainsi d'ajuster les plans expérimentaux en temps opportun.

Les chercheurs soulignent que la capacité d'analyse en temps réel de DONUT pose également les bases d'expériences autonomes. Dans ce type d'expériences, le système peut automatiquement décider de l'orientation des mesures ultérieures en fonction des données les plus récentes, ce qui est particulièrement adapté aux études in situ de matériaux évoluant rapidement. Alors que l'APS améliorée peut produire des faisceaux de rayons X de plus haute luminosité et collecter des données à des débits plus élevés, DONUT aide les chercheurs à suivre le rythme de génération des données et à mener des expériences dynamiques plus complexes.

Actuellement, l'équipe de recherche tente d'étendre DONUT de l'analyse en temps réel à l'automatisation expérimentale, notamment le développement d'une nouvelle version destinée à la microscopie autonome, et explore le potentiel d'application de son cadre d'apprentissage à conscience physique dans d'autres techniques d'imagerie avancées. Les résultats de ces recherches ont été publiés dans la revue npj Computational Materials.