EnglishAmerikaanse onderzoekslabs laten AI zelf röntgenexperimenten sturen
Vijf Amerikaanse nationale laboratoria lieten AI röntgenbeelden in realtime opbouwen, zelf interessante plekken in een chip kiezen en de meetapparatuur bedienen in gewone taal. Zo halen onderzoekers meer uit hun schaarse meettijd.
Wie wil weten hoe een computerchip of een batterij van binnen in elkaar zit, kan hem doorlichten met heel fel röntgenlicht. Dat licht komt uit een deeltjesversneller, en meettijd daarbij is schaars. Bovendien leveren zulke metingen zoveel data op dat onderzoekers vaak uren of dagen moeten rekenen voordat ze een beeld hebben. Pas dan weten ze waar ze beter hadden moeten kijken.
Vijf nationale laboratoria van het Amerikaanse ministerie van Energie laten nu zien dat AI dat werk al tijdens de meting kan doen. Ze werken samen in het project SYNAPS-I, onder leiding van de Advanced Light Source van het Lawrence Berkeley National Laboratory. Ook Argonne, Oak Ridge, SLAC en Brookhaven doen mee. Het Brookhaven National Laboratory meldde op 4 november de nieuwste resultaten.
AI kiest zelf waar het verder kijkt
Bij de röntgenbron NSLS-II van Brookhaven bekeek een AI-systeem de beelden zodra ze binnenkwamen. Het koos zelf de interessante plekken in een ingewikkeld monster uit en liet die daarna in hoge resolutie meten, zonder dat er een mens aan te pas kwam. Volgens Daniel Allan, die bij NSLS-II de groep voor data-techniek leidt, kan zo'n meting daardoor urenlang zelfstandig doorlopen en verzamelt hij alleen op de belangrijke plekken veel data.
Van uren rekenen naar realtime beelden
Een tweede proef ging over een techniek die van heel veel kleine röntgenopnamen samen een scherp 3D-beeld maakt. Normaal kost dat veel rekenwerk, omdat de computer het beeld stap voor stap moet bijschaven. De onderzoekers vervingen dat door een AI-model dat bij Argonne is getraind. Samen met chipmaker NVIDIA lieten ze zien dat het zo 200 beelden per seconde kan opbouwen, terwijl de meting nog loopt.
Een ander AI-model, getraind bij NSLS-II, maakte een beeld van een microchip met iets minder dan een tiende van de meetgegevens die daar normaal voor nodig zijn. Dat werkt vooral goed bij dunne, platte monsters. Minder meten betekent kortere meettijd en minder straling op het monster.
Om in de 3D-beelden automatisch te herkennen welk materiaal of onderdeel waar zit, trainde het team een vrij beschikbaar beeldherkenningsmodel van Meta bij, Segment Anything Model 3. Volgens Hanfei Yan, hoofdonderzoeker bij een van de meetopstellingen van NSLS-II, helpt dit iedereen die snel en scherp in materialen moet kijken: van verborgen fouten in chips tot slijtage in batterijen.
Afspelen laadt YouTube, dat cookies kan plaatsen. Meer uitleg
De meetopstelling bedienen in gewone taal
Bij Argonne gingen de onderzoekers nog een stap verder. Daar krijgt de AI een opdracht in gewone taal, in plaats van in code of technische commando's. Het systeem werkt dan zelf stap voor stap: het maakt een beeld, bekijkt het, besluit waar het naartoe moet en zoekt zo verder tot het de gevraagde plek heeft gevonden. Daarna schakelt het zelf over op een scherpe meting. Eenvoudige stappen zet de AI zelfstandig; bij stappen met meer risico of twijfel vraagt hij eerst een mens om toestemming.
Het team testte dit op een chip, waarin de AI vanuit een punt diep in het onderdeel de grens tussen twee gebieden moest vinden. Volgens de onderzoekers werkt dezelfde aanpak ook voor katalysatoren, metalen en quantumonderdelen.
Volgende stappen
Het team wil de AI-modellen trainen op meer soorten data, zodat ze betrouwbaarder worden, en de aanpak uitbreiden naar andere 3D-technieken. Het grote doel is dat het 3D-beeld al tijdens de meting ontstaat en steeds scherper wordt, en dat de AI zelf bepaalt waar het daarna moet meten. Volgens Alexander Hexemer van het Lawrence Berkeley National Laboratory, die het project coördineert, kan geen enkel lab dit in zijn eentje.
Wat betekent dit voor de weg naar de singulariteit?
Hier analyseert AI niet alleen achteraf de data, maar stuurt hij het experiment zelf: meten, beeld maken en beslissen waar je verder kijkt, gebeuren in één lus. Dat is een concrete stap richting laboratoria die grotendeels zelf hun proeven doen. Omdat het gaat om onderzoek naar chips, batterijen en nieuwe materialen, kan het precies het onderzoek versnellen waar de techniek van morgen op draait.
