Nieuwe AI-tool DONUT analyseert röntgendata razendsnel voor materiaalonderzoek

Onderzoekers van het Argonne National Laboratory, een onderzoekscentrum van het Amerikaanse ministerie van Energie, hebben een nieuw AI-model ontwikkeld dat de analyse van röntgenmetingen aan materialen enorm versnelt. De tool, DONUT gedoopt, levert resultaten direct tijdens een experiment op, terwijl onderzoekers voorheen weken tot maanden moesten wachten voordat ze wisten of een meting was geslaagd. Het werk is gepubliceerd in het wetenschappelijke tijdschrift npj Computational Materials.

DONUT staat voor Diffraction with Optics for Nanobeam by Unsupervised Training en is getest op data van de Advanced Photon Source (APS), een grote synchrotron-faciliteit van Argonne. Bij dit soort faciliteiten wordt een sterk gebundelde röntgenstraal over een materiaal geleid om de kristalstructuur op nanoschaal in kaart te brengen, een techniek die scanning X-ray nanodiffractie microscopie heet. Deze methode levert cruciale informatie op over hoe materialen zich gedragen in bijvoorbeeld batterijen, katalysatoren en elektronische chips.

Waarom traditionele analyse zo traag is

Het probleem zat vooral in de verwerking van de meetdata. Klassieke analysemethoden vergelijken gemeten röntgenpatronen handmatig met gesimuleerde patronen, een proces dat foutgevoelig is en enorm veel tijd kost. Bovendien moesten trainingsdata voor eerdere AI-modellen worden voorzien van labels door experts, wat de drempel voor nieuwe gebruikers verhoogde. DONUT omzeilt dat probleem: het is een fysica-bewust neuraal netwerk, wat betekent dat het al kennis heeft van de natuurkundige wetten die bepalen hoe röntgenstralen met materie reageren. Daardoor kan het systeem via deep learning patronen herkennen zonder dat elk voorbeeld vooraf van het juiste antwoord is voorzien.

Honderden keren sneller en direct bijstuurbaar

Volgens onderzoeker Aileen Luo van Argonne en Cornell University levert DONUT soms honderden keren snellere resultaten op dan traditionele methoden. Dat stelt wetenschappers in staat om tijdens een experiment meteen bij te sturen, in plaats van pas achteraf te ontdekken dat een meting niet bruikbaar was. Groepsleider Mathew Cherukara noemt de tool flexibel: onderzoekers kunnen het model bij de start van een experiment trainen op de eigen data en tussentijds aanpassen wat het moet voorspellen.

De snelheid van DONUT maakt ook nieuwe vormen van onderzoek mogelijk, zoals autonome experimenten waarbij het systeem zelf de volgende meetstap kiest op basis van de laatste resultaten. Dat is vooral waardevol nu de APS na een recente upgrade fellere röntgenbundels produceert en sneller data verzamelt dan voorheen. Het onderzoeksteam werkt inmiddels aan uitbreidingen van DONUT voor geautomatiseerde microscopie en wil de aanpak ook inzetten voor andere beeldvormingstechnieken binnen AI-gestuurd wetenschappelijk onderzoek. Ook moet DONUT een bouwsteen worden voor de Genesis Mission, een groot Amerikaans overheidsinitiatief dat via AI de wetenschappelijke productiviteit wil verdubbelen.