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

Les chercheurs d’Argonne 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 le processus un peu plus difficile consistant à assembler rapidement des puzzles scientifiques 3D – des structures atomiques de différents matériaux – est récemment devenu beaucoup plus facile, grâce à de nouvelles recherches qui associent des faisceaux de rayons X de haute puissance à des méthodologies informatiques avancées.

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 découverts lors d’expériences aux rayons X. La technique permet aux chercheurs d’étudier certaines propriétés, telles que la corrosion ou la charge et la décharge de la batterie, en temps réel.

« Avec le type de diffraction que nous effectuons, obtenir les informations de phase est un défi ; c’est comme comprendre comment toutes les pièces (du puzzle) s’emboîtent uniquement en fonction des couleurs que vous pouvez voir sur 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 choisir le résultat le plus probable de l’expérience en cours. Les données utilisées dans ce cas sont créées en faisant briller des faisceaux de rayons X ultra-brillants de la source de photons avancée (APS) d’Argonne sur un matériau et en capturant la lumière lorsqu’ils rebondissent, un processus appelé diffraction. L’APS est une installation utilisateur du DOE Office of Science à Argonne.

Les nouvelles techniques sont importantes car l’APS est au milieu d’une mise à niveau massive, qui augmentera la luminosité de ses faisceaux de rayons X jusqu’à 500 fois. Cela signifie que davantage de données seront recueillies plus rapidement une fois que l’APS mis à niveau sera mis en ligne en 2024, et les scientifiques auront besoin d’un moyen de suivre l’analyse de ces données. Les solutions d’apprentissage automatique telles qu’AutoPhaseNN seront un élément essentiel des analyses de données plus rapides nécessaires à l’avenir chez APS, ainsi que dans des installations similaires dans le monde entier.

AutoPhaseNN est un exemple d’un « apprentissage automatique non supervisé », ce qui signifie que l’algorithme informatique apprend de sa propre expérience comment effectuer un calcul avec plus de précision et d’efficacité, sans avoir à être formé avec des solutions étiquetées qui ont déjà été trouvées, un processus qui implique généralement une intervention humaine.

« Ce nouvel algorithme est essentiellement capable de résoudre ce que nous appelons un problème inverse, en partant des pièces du puzzle pour créer le puzzle lui-même », a déclaré Mathew Cherukara, scientifique en informatique et chef de groupe d’Argonne, auteur de l’étude. « Essentiellement, nous prenons un ensemble d’observations et essayons d’identifier les conditions qui les ont créées. Au lieu de résoudre le puzzle en itérant le processus d’essai 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 concernant non seulement l’amplitude du signal diffracté, mais également sa phase. Cependant, l’amplitude, ou l’intensité, est la seule partie qui peut être directement mesurée.

Parce que les faisceaux de rayons X utilisés pour éclairer l’échantillon sont cohérents – ce qui signifie qu’ils partagent tous la même phase au départ – tout changement de phase résultant de la diffraction peut être cartographié sur l’échantillon lui-même, a déclaré le nanoscientifique d’Argonne et co- auteur Henri Chan.

« La récupération 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 à Argonne au moment de cette recherche. « Avec le type de diffraction que nous faisons, obtenir les informations de phase est un défi ; c’est comme comprendre comment toutes les pièces s’emboîtent uniquement en fonction des couleurs que vous pouvez voir sur chaque pièce.

Pour que les réseaux de neurones conventionnels et supervisés résolvent ce problème inverse, les chercheurs auraient dû associer « des énigmes brisées »avec des exemples entièrement assemblés afin que le réseau de neurones puisse avoir quelque chose contre quoi s’entraîner. Avec un réseau de neurones non supervisé, l’algorithme peut apprendre à assembler le puzzle à partir des seules pièces brisées. Le réseau résultant est rapide, précis et (contrairement aux méthodes conventionnelles) capable de fournir des images 3D en temps réel aux utilisateurs scientifiques d’installations telles que l’APS.

Un article basé sur l’étude, « AutoPhaseNN: apprentissage approfondi non supervisé sensible à la physique de l’imagerie par diffraction cohérente 3D à l’échelle nanométrique de Bragg », est paru dans l’édition en ligne du 3 juin de NPJ Computational Materials. En plus de Cherukara et Yao, d’autres auteurs incluent Henry Chan d’Argonne, Subramanian Sankaranarayanan, Prasanna Balaprakash et Ross Harder.

Le travail a été financé par le DOE’S Office of Science (Office of Basic Energy Sciences). Cette recherche a utilisé les ressources du Center for Nanoscale Materials et de l’Argonne Leadership Computing Facility, qui sont des installations d’utilisateurs du DOE Office of Science, et du Laboratory Computing Resource Center d’Argonne.

À propos de la source de photons avancée : L’Advanced Photon Source (APS) du US Department of Energy Office of Science au Laboratoire national d’Argonne est l’une des installations de source de lumière à rayons X les plus productives au monde. L’APS fournit des faisceaux de 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 parfaitement adaptés aux explorations de matériaux et de structures biologiques ; distribution élémentaire; états chimiques, magnétiques, électroniques ; et une large gamme de systèmes d’ingénierie technologiquement importants, des batteries aux injecteurs de carburant, qui sont tous les fondements du bien-être économique, technologique et physique de notre pays. Chaque année, plus de 5 000 chercheurs utilisent l’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 une technologie qui est au cœur de l’avancement des opérations d’accélérateur et de source de lumière. Cela comprend les dispositifs d’insertion qui produisent des rayons X d’une luminosité extrême prisés par les chercheurs, les lentilles qui focalisent les rayons X jusqu’à quelques nanomètres, l’instrumentation qui maximise la façon dont les rayons X interagissent avec les échantillons étudiés et les logiciels qui rassemblent et gère la quantité massive de données résultant de la recherche de découverte à l’APS.

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

Laboratoire National d’Argonne cherche des solutions aux problèmes nationaux pressants en science et technologie. Premier laboratoire national du pays, Argonne mène des recherches scientifiques fondamentales et appliquées de pointe 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 problèmes spécifiques, faire progresser le leadership scientifique américain et préparer la nation à un avenir meilleur. Avec des employés de plus de 60 nations, Argonne est gérée par UChicago Argonne, SARL pour l’Office of Science du Département américain de l’énergie.

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

Par Jared Sagoff. Avec l’aimable autorisation de .

Image en vedette : Ryan Young/Université Cornell Carlos Diaz-Ruiz, doctorant, conduit la voiture de collecte de données et démontre certaines des techniques de collecte de données que les chercheurs sur les véhicules autonomes utilisent pour créer leurs algorithmes.

Vous appréciez l’originalité et la couverture de l’actualité des technologies propres de CleanTechnica ? Envisagez de devenir membre, supporteur, technicien ou ambassadeur de CleanTechnica – ou un 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 pour CleanTechnica, souhaitez faire de la publicité ou suggérer un invité pour notre podcast CleanTech Talk ? Contactez-nous ici.