topas-editor and TOPilot: tools for AI-driven analysis of diffraction and total scattering data

Les scientifiques qui étudient l'arrangement des atomes dans les matériaux s'appuient souvent sur une technique appelée la diffraction. Imaginez que l'on projette un faisceau de lumière, tel que des rayons X ou des neutrons, à travers un cristal. Les atomes à l'intérieur du cristal agissent comme un filtre complexe, diffusant le faisceau en un motif spécifique de points ou de lignes sur un détecteur. Ce motif est l'empreinte digitale unique de la structure interne du matériau. En analysant la manière dont le faisceau est diffusé, les chercheurs peuvent reconstruire la position exacte des atomes, révélant tout, de la résistance d'un nouveau matériau de batterie à l'histoire d'un pigment ancien. Cependant, transformer ces motifs diffusés en une image claire des positions atomiques est un puzzle difficile. Cela nécessite des logiciels spécialisés pour tester des millions de configurations possibles par rapport aux données, un processus qui exige une expertise profonde et implique souvent l'écriture d'instructions complexes et personnalisées pour que l'ordinateur puisse les suivre.

Pendant des années, une suite logicielle puissante connue sous le nom de TOPAS a été l'outil de choix pour résoudre ces énigmes. Elle est capable de gérer aussi bien des cristaux simples que des matériaux complexes et désordonnés, mais elle fonctionne via des fichiers texte qui ressemblent à du code. La création de ces fichiers nécessite un apprentissage difficile, car une seule erreur de syntaxe peut faire échouer l'analyse entière. Bien que le logiciel soit incroyablement rapide et robuste, l'effort humain requis pour le configurer a limité son utilisation aux spécialistes. Désormais, une équipe de chercheurs a développé une nouvelle façon de combler cet écart, en combinant la puissance brute de TOPAS avec les capacités de raisonnement de l'intelligence artificielle moderne. Ils ont créé deux outils liés, un éditeur intelligent et un assistant IA, qui permettent de piloter le logiciel par le langage naturel, automatisant efficacement les parties les plus difficiles de l'analyse tout en gardant un humain dans la boucle pour vérifier les résultats.

Le premier outil, appelé topas-editor, est un espace de travail numérique conçu pour rendre le langage complexe de TOPAS plus facile à lire et à écrire. Il fonctionne comme un carnet de notes spécialisé qui comprend les règles du logiciel. À mesure que l'utilisateur tape des instructions, l'éditeur met en évidence les mots-clés, offre des explications instantanées pour les termes techniques et vérifie automatiquement les erreurs courantes. Il agit comme un guide, suggérant la manière correcte de décrire une structure cristalline ou une condition expérimentale spécifique. Cette interface permet aux chercheurs d'interagir directement avec le logiciel sans avoir besoin de mémoriser des centaines de commandes obscures. Cependant, la véritable innovation réside dans le second outil, TOPilot, qui agit comme un agent intelligent capable d'écrire ces instructions pour l'utilisateur.

TOPilot est construit sur un ensemble de règles et d'exemples qui apprennent à une intelligence artificielle à penser comme un cristallographe expérimenté. Au lieu de simplement deviner, l'IA consulte une bibliothèque organisée de règles scientifiques et de documents de référence avant de prendre toute décision. Lorsqu'un chercheur fournit un fichier de données et une description simple de ce qu'il souhaite trouver, TOPilot prend le relais. Il peut identifier automatiquement le type de matériau, déterminer le modèle mathématique approprié à utiliser et générer le fichier texte complexe nécessaire pour exécuter l'analyse. Si l'IA rencontre un problème qu'elle ne peut résoudre, comme une information manquante concernant le montage expérimental, elle s'arrête et demande des clarifications à l'utilisateur humain plutôt que de faire une supposition dangereuse. Cette approche garantit que l'IA gère le travail répétitif et chronophage de test de différents modèles, tandis que l'expert humain supervise les décisions critiques.

Les chercheurs ont testé ce système sur une grande variété de défis du monde réel pour voir s'il pouvait gérer le désordre des données réelles. Dans un test, ils ont donné à l'IA un motif simulé d'un matériau appelé Y2O3 qui avait été délibérément corrompu par des erreurs, telles qu'un fond déplacé et des pics déformés. Une approche standard aurait probablement échoué dans ces conditions, mais l'IA a navigué avec succès à travers les complications. Elle a identifié les erreurs, a ajusté son modèle pour les prendre en compte et a produit un résultat final qui correspondait à la qualité d'une analyse manuelle effectuée par un expert humain. Le système a fait cela en testant de nombreuses variations différentes du modèle, en vérifiant laquelle correspondait le mieux aux données, puis en rapportant ses conclusions dans un format clair et interactif.

Dans un autre exemple, l'équipe a demandé à l'IA de résoudre un problème complet à partir de zéro, en partant d'un fichier de données brutes et en finissant par une structure atomique affinée. Le matériau était un composé complexe contenant du zirconium et du tungstène. L'IA a réussi à identifier la taille de l'unité de répétition du cristal, a déterminé la symétrie correcte de la structure, puis a affiné les positions de chaque atome à l'intérieur de celle-ci. L'ensemble du processus, des données brutes au modèle structurel fini, n'a pris que quelques minutes. Le système a également démontré sa capacité à traiter plusieurs échantillons à la fois, en analysant une série de trente motifs différents collectés pendant qu'un matériau était chauffé, et en traçant automatiquement comment la structure changeait avec la température.

Peut-être la démonstration la plus impressionnante concernait des matériaux aux structures « incommensurables », où l'arrangement atomique ne se répète pas de manière simple et régulière. Ceux-ci sont notoirement difficiles à analyser car les motifs contiennent des signaux supplémentaires et faibles que les logiciels standards ignorent souvent. L'IA a été capable de détecter ces signaux subtils, de déterminer la modulation complexe de la structure et d'affiner le modèle pour qu'il corresponde aux données avec une grande précision. Elle a même réussi à combiner des données provenant de deux types d'expériences différents, les rayons X et les neutrons, en une seule analyse cohérente, en ajustant automatiquement les différences dans la manière dont les deux faisceaux interagissent avec le matériau. Tout au long de ces tests, le système a systématiquement produit des résultats identiques à ceux générés par des experts humains, prouvant que l'IA pouvait être fiabilisée pour effectuer des flux de travail scientifiques complexes à plusieurs étapes.

Les chercheurs soulignent que si l'IA est puissante, elle n'est pas un remplacement du jugement humain. Le système est conçu pour être transparent, fournissant des rapports détaillés et des graphiques interactifs qui permettent à l'utilisateur de voir exactement ce que l'IA a fait et pourquoi. Si l'IA fait un choix qui semble inhabituel, l'utilisateur peut examiner le raisonnement et ajuster les paramètres. Le but n'est pas de retirer le scientifique du processus, mais de le libérer de la tâche fastidieuse de l'écriture de code afin qu'il puisse se concentrer sur l'interprétation des résultats. L'équipe a constaté que le système était hautement reproductible ; exécuter la même analyse plusieurs fois produisait des résultats presque identiques, avec seulement des variations mineures dans les choix que même les experts humains pourraient faire différemment.

Cette nouvelle approche représente un changement significatif dans la façon dont les données de diffraction sont analysées. En combinant la vitesse et la fiabilité du logiciel TOPAS avec l'adaptabilité de l'intelligence artificielle, les chercheurs ont créé un outil capable de gérer toute la gamme des problèmes de cristallographie, de l'identification de phase simple aux raffinements structurels les plus complexes. Le système est disponible pour toute personne souhaitant l'utiliser, et il peut être étendu avec de nouvelles règles ou de nouveaux exemples à mesure que la communauté scientifique découvre de nouveaux matériaux. Ce travail suggère que l'avenir de la science des matériaux pourrait impliquer un partenariat entre l'intuition humaine et l'automatisation des machines, où l'ordinateur gère la lourde tâche du calcul et l'humain apporte l'éclairage nécessaire pour comprendre la signification des chiffres. Le résultat est une façon plus rapide et plus accessible de percer les secrets cachés au sein du monde atomique.