Zum Inhalt springen
Technische Universität München

Messzeit effizienter nutzen mit maschinellem Lernen

Wissenschaft, PANDA, Pressemitteilung |

Ein wissenschaftliches Team des Forschungszentrums Jülich hat am MLZ einen neuen Ansatz entwickelt, um die Effizienz von Neutronenspektroskopie-Experimenten zu verbessern, und diesen am Schweizer Paul Scherrer Institut (PSI) erfolgreich getestet. Neutronenspektroskopie erkennt etwa die Kräfte zwischen den in einem Atomgitter angeordneten Atomen. Die Forschenden optimierten die Datenerfassung mit Hilfe eines selbstlernenden Ansatzes der künstlichen Intelligenz. Die Zeit pro Experiment wird so verringert und die knappe Ressource Messzeit vor allem in den ersten Stunden eines Experiments besser genutzt.
Using measurement time more efficiently with machine learning
Durch Klicken erklären Sie sich mit der Datenschutzerklärung von Google und unserer Datenschutzerklärung einverstanden.
Mehr Informationen
Das Video vergleicht zwei Messansätze: Links die Verteilung der Messpunkte rein nach einem schematischen Gitteransatz, rechts die selbstlernende Messmethode, bei der kaum Messpunkte im Bereich des Rauschens liegen.

Rauschsignale möglichst vermieden

Bei der Neutronenspektroskopie werden Neutronen auf Materialproben geleitet und danach von Detektoren aufgefangen und ausgewertet. Ein Teil der Neutronen wird an den Atomen der Probe gestreut, ein Teil durchdringt die Probe ohne Wechselwirkung. Nur die gestreuten Neutronen enthalten Informationen, zum Beispiel, wieviel Energie die Neutronen durch den Streuprozess aufgenommen oder verloren haben. Die anderen Neutronen erzeugen das so genannte „Rauschen“. Um möglichst wenig Zeit für die Messung von Rauschsignalen zu verschwenden, werden bei dem von Dr. Mario Teixeira Parente und seinen Kolleginnen und Kollegen entwickelten Algorithmus in einem ersten Schritt Messungen anhand eines groben Rasters durchgeführt, bei dem die Messpunkte gleichmäßig verteilt sind. Im Anschluss nimmt der Algorithmus seine eigentliche Arbeit auf und identifiziert mit diesen initialen Daten Bereiche, in welchen weitere Messungen sinnvoll sind. Mit jedem weiteren Messpunkt ergänzt der Algorithmus fortwährend seine eigene Datenbasis und entscheidet dann autonom über die nächste Messposition. Aufgrund der Rückkopplungsschleife bezeichnet man diesen Ansatz auch als „selbstlernend“. Mario Teixeira Parente erklärt: „Das ist die Stärke des Algorithmus: Er findet über die Zeit selbst heraus, wo es relevant ist zu messen.“

Messzeit effizienter nutzen: Dr. Astrid Schneidewind und Dr. Mario Teixeira Parente (l.) begutachten den Algorithmus. © Astrid Eckert, TUM
Teamarbeit: Dr. Mario Teixeira Parente (2.v.l.) hat den selbstlernenden Ansatz gemeinsam mit Dr. Christian Franz (l.), Dr. Astrid Schneidewind (2.v.r.) und Georg Brandl mit Beispielen am MLZ-Dreiachsenspektrometer PANDA entwickelt. ©Astrid Eckert, TUM

Messzeit optimiert

Neutronen ermöglichen einzigartige Einblicke in die Struktur und Dynamik von Materie. Dafür sind Großforschungsanlagen notwendig, entweder Forschungsreaktoren wie der FRM II oder bestimmte Teilchenbeschleuniger. Die Zahl der verfügbaren Anlagen in Europa deckt seit Jahren nicht den Bedarf der Forschung ab. Messzeit mit Neutronen ist somit knapp und wertvoll. Verfahren zur Effizienzsteigerung können helfen, die vorhandenen Kapazitäten besser zu nutzen und die entstehenden Lücken zu verkleinern. „Der Algorithmus optimiert die Verwendung der zur Verfügung stehenden Messzeit, insbesondere zu Beginn eines Experiments“, sagt der Mathematiker Mario Teixeira Parente.

Kern des selbstlernenden Algorithmus ist eine mathematische Verteilung, die Gauß-Kurve. Sie beschreibt eine statistische Verteilung von Daten in Form einer Glockenkurve. Die Forschenden nutzen diese, um gezielt Bereiche mit informativen Signalen zu finden. Weitere mathematische „Tricks“ erlauben, Bereiche mit sowohl starken als auch schwachen Signalen zu identifizieren und sie von Rauschsignalen zu unterscheiden.

Test im realen Experiment bestanden

Die Forschenden demonstrierten die Vorteile ihres Ansatzes an  realen Neutronenexperimenten am PSI  und Institut Laue-Langevin (ILL) in Frankreich, an bereits gemessenen sowie an zahlreichen künstlichen Datensätzen. Sie zeigten hier an praxisrelevanten Beispielen und realistischen Szenarien, dass die verfügbare Messzeit damit effizienter im Vergleich zu bestimmten bisherigen Methoden genutzt wird. Einer Anwendung an weiteren Drei-Achsen-Spektrometern steht also nichts mehr im Wege.

 

 

Original text: Angela Wenzik, Forschungszentrum Jülich

Originalpublikationen:
Mario Teixeira Parente, Georg Brandl, Christian Franz, Uwe Stuhr, Marina Ganeva, Astrid Schneidewind
Active learning-assisted neutron spectroscopy with log-Gaussian processes.
Nat Commun 14, 2246 (2023).
doi: 10.1038/s41467-023-37418-8

Mario Teixeira Parente
Behind the Paper: Towards AI-assisted neutron spectroscopy
Physics, 20. April 2023.

Mehr Informationen:
An der Entwicklung des Algorithmus und den Messungen beteiligt waren neben den Wissenschaftlerinnen und Wissenschaftlern des Forschungszentrums Jülich auch Forschende des Paul Scherrer Instituts. Diese Arbeit wurde unterstützt durch das Projekt Artificial Intelligence für Neutronen- und Röntgenstreuung (AINX), das von der Helmholtz-KI Kooperationseinheit der Helmholtz-Gemeinschaft gefördert wird.

Kontakt:
Dr. Mario Teixeira Parente
Forschungszentrum Jülich
Data Driven Discovery
Außenstelle am Heinz Maier-Leibnitz Zentrum
Tel: +49 (0)89 158860-657
E-Mail: m.teixeira.parente@fz-juelich.de

In Verbindung stehende News:

◄
To top