新 AI 驅動的工具簡化實驗程式
引言
近日美國能源部的 SLAC 國家加速器實驗室的研究人員展示了一種全新的方法，用於更深入地研究物質的複雜行為。團隊利用機器學習的力量解讀相幹激發，即原子自旋在系統內的集體擺動。這項突破性研究最近發表在《自然通訊》上，可以使實驗更有效率，在資料收集過程中向研究人員提供實時指導。該項研究是由霍華德大學、SLAC 和東北大學的研究人員共同領導的一項專案，旨在利用機器學習加快材料研究的程式。
機器學習簡化實驗程式
機器學習可以幫助科學家解決這些挑戰，但即使如此，還存在一些約束。過去的實驗利用機器學習技術提高了 X 射線和中子散射資料解讀的準確性。這些努力依賴於傳統的基於影象的資料表示方法。但團隊的新方法使用了神經隱性表示走了一條不同的路線。神經隱性表示使用坐標作為輸入，就像地圖上的點一樣。在影象處理中，這些網路可以根據位置預測特定畫素的顏色。這種方法不直接儲存影象，而是透過將畫素坐標與其顏色相存取來建立解讀影象的方法。這使得它可以進行詳細的預測，甚至在畫素之間。這種模型在捕捉影象和場景的細節方面已經被證實是有效的，因此在分析量子材料資料方面也具有潛力。
集體激發及對材料的重要性
集體激發有助於科學家理解具有多個部分的系統（例如磁性材料）的規則。當在最小尺度上觀察時，某些材料表現出奇特的行為，如原子自旋的微小變化模式。這些特性對許多新技術非常重要，例如可以改變我們資料傳輸和儲存方式的先進自旋電子器件。為了研究集體激發，科學家使用諸如非彈性中子或 X 射線散射的技術。然而這些方法不僅複雜，而且資源密集，例如中子源的可用性有限。機器學習提供了應對這些挑戰的一種方法。
實時分析和實驗程式簡化
過去，研究人員依靠直觀、模擬和實驗後分析來指導他們的下一步。這個研究團隊展示了他們的方法如何能夠實時分析資料，並顯示了確保何時收集足夠的資料結束一個實驗的潛力，進一步簡化了實驗程式。研究人員利用 LCLS 進行這項實驗之前，他們做了成千上萬次的模擬，測試在不同引數下的測量結果，然後將所有模擬結果餵給一個算法，以學習如何根據理論預測即將進行實驗的結果。當他們將他們的機器學習模型應用於真實資料時，它能夠克服噪音和丟失的資料點等挑戰。
潛在應用和結論
這項研究不僅局限於中子散射，該模型被命名為“坐標網路”，它可以適應各種散射測量，這些測量涉及能量和動量作為函數的資料。運用機器學習和人工智慧對物理研究產生了重要影響。應用這些新的前沿機器學習方法進行物理研究可以加快我們的科學進展並簡化實驗程式。有了這些基礎，我們可以在未來探索許多新的研究領域。
參考資料：https://techxplore.com/news/2023-10-ai-driven-tool.html
延伸閱讀
- AWS re:Invent：亞馬遜宣佈的所有新訊息，從新的 AI 工具到 LLM 更新等
- Luminar Neo 帶給愛好攝影師神奇生成 AI 工具
- AI 工具包括 ChatGPT，研究人員證實可以操控並生成惡意程式碼
- Meta 擴充套件生成式 AI 工具，提升廣告效果！
- AI 推動的工具輕鬆個人化 3D 列印模型
- 沃爾瑪實驗新的生成式 AI 工具，協助你計劃派對或裝飾空間
- 擴增 AI 工具以提升廣告效果，Meta 大膽動作！
- Canva 推出 AI 工具，自動化乏味繁瑣的設計任務
- LinkedIn 推出由 OpenAI 驅動的新 AI 工具，專注於學習、招聘、行銷和銷售
- Adobe 全面釋出網路版 Photoshop，其中包含受歡迎的桌面 AI 工具
