Compositional neural networks for multimodal X-ray and neutron scattering inversion

Nel mondo della scienza dei materiali, comprendere come una sostanza sia costruita a livello atomico è spesso come cercare di ricostruire un vaso infranto guardando solo le ombre che proietta su una parete. Gli scienziati utilizzano potenti fasci di raggi X o neutroni per sondare la struttura di film sottili e materiali complessi. Quando questi fasci colpiscono un campione, si diffondono, creando un modello di intensità che custodisce i segreti dell'architettura interna del materiale. Tuttavia, esiste un limite fondamentale: i rilevatori registrano quanto sia luminosa la luce diffusa, ma perdono l'informazione sulla tempistica o sulla fase delle onde. Questa parte mancante crea un enigma in cui molte diverse strutture interne potrebbero produrre esattamente lo stesso schema d'ombra. Di conseguenza, gli scienziati si trovano spesso di fronte a una situazione in cui una singola misurazione non può indicare loro la vera forma del materiale, lasciandoli con molteplici risposte possibili anziché con un'unica verità chiara.

Per risolvere questo problema, i ricercatori hanno a lungo cercato di combinare diversi tipi di misurazioni, sperando che le debolezze di una tecnica fossero bilanciate dai punti di forza di un'altra. Eppure, fondere questi diversi flussi di dati in un'immagine singola e coerente è stata una sfida formidabile per i modelli informatici. Un nuovo studio condotto da ricercatori dell'Università di Tubinga, in Germania, introduce un approccio fresco a questo problema. Hanno sviluppato un sistema flessibile che consente a modelli di intelligenza artificiale, addestrati separatamente su diversi tipi di dati di diffusione, di lavorare insieme in modo fluido. Invece di costringere un singolo programma informatico massiccio a imparare ogni possibile combinazione di esperimenti, il loro metodo permette a modelli specializzati di condividere le proprie intuizioni alla fine del processo. Questa innovazione consente agli scienziati di combinare dati provenienti da raggi X, neutroni e persino neutroni polarizzati per rivelare la struttura nascosta dei materiali con una certezza molto maggiore rispetto al passato.

Il cuore di questo lavoro risiede in una tecnica chiamata "flow matching" (corrispondenza di flusso), che può essere pensata come un modo per far sì che un computer impari a trasformare una semplice nuvola casuale di possibilità in una mappa specifica e dettagliata di ciò che il materiale probabilmente sembra. Immaginate un computer che parte da una vasta nuvola non strutturata di ipotesi sulla densità, lo spessore e la rugosità di un materiale. Attraverso l'addestramento su milioni di esperimenti simulati, il computer impara un insieme di regole — un flusso matematico — che spinge delicatamente questa nuvola di ipotesi finché non si assesta nella forma più probabile che corrisponda ai dati del mondo reale. In questo nuovo quadro, i ricercatori hanno addestrato diversi "esperti" per differenti tipi di esperimenti. Un esperto ha imparato a interpretare i dati dei raggi X, un altro ha imparato a gestire i dati dei neutroni e un terzo ha imparato a decodificare i segnali complessi dei neutroni polarizzati. Ogni esperto è diventato altamente specializzato nel proprio compito, ma non sono stati progettati per comunicare tra loro durante l'addestramento.

La svolta avviene quando questi esperti vengono riuniti per analizzare un campione reale. I ricercatori hanno ideato un metodo per combinare le intuizioni di questi separati esperti al momento dell'analisi, piuttosto che durante la fase di apprendimento. Quando un campione viene misurato con sia raggi X che neutroni, il sistema chiede a ciascun esperto la sua migliore ipotesi sulla struttura del materiale. Fondamentalmente, il sistema sa quali parti della struttura sono condivise tra le due misurazioni — come lo spessore di uno strato o la rugosità di un'interfaccia — e quali parti sono uniche per una specifica misurazione, come il modo in cui il materiale interagisce con i raggi X rispetto ai neutroni. Il sistema poi fonde con cura le opinioni degli esperti, assicurandosi che l'informazione condivisa sia contata correttamente e che i dettagli unici di ciascuna misurazione siano preservati. Questo processo crea efficacementamente un'immagine singola e unificata che è più accurata di quanto qualsiasi singolo esperto potrebbe fornire da solo.

Il team ha testato questo approccio su una varietà di scenari del mondo reale, che spaziano da semplici film organici a strutture magnetiche complesse. In un esperimento, hanno analizzato un film sottile di un semiconduttore organico utilizzando solo raggi X. Il sistema ha ricostruito con successo il profilo di densità del film, dimostrando che il computer può apprendere la struttura di base da un singolo tipo di dato. Sono poi passati a casi più complessi, come una struttura a spazzola polimerica, dove le proprietà del materiale cambiano gradualmente dall'esterno verso l'interno. In questo caso, il sistema ha gestito dati che non erano distribuiti uniformemente, una caratteristica comune degli esperimenti con neutroni, e ha comunque prodotto un'immagine chiara della disposizione interna del materiale. Forse in modo ancora più impressionante, i ricercatori hanno combinato i dati di raggi X e neutroni per studiare un materiale magnetico composto da platino e ferro. I raggi X sono sensibili alla densità elettronica degli atomi, mentre i neutroni sono sensabili ai nuclei atomici e alle proprietà magnetiche. Combinando queste due visioni, il sistema è stato in grado di mappare simultaneamente sia gli strati fisici che l'orientamento magnetico del materiale, qualcosa che sarebbe estremamente difficile da ottenere con i metodi tradizionali.

Lo studio ha anche dimostrato che questo approccio modulare funziona bene quando vengono effettuate più misurazioni dello stesso campione in condizioni diverse. Ad esempio, negli esperimenti con neutroni, gli scienziati spesso cambiano l'ambiente chimico attorno al campione per evidenziare diverse parti della sua struttura. I ricercatori hanno mostrato che il loro sistema può prendere un modello addestrato su una singola misurazione e riutilizzarlo per analizzare tre diversi ambienti chimici contemporaneamente. Il sistema ha identificato correttamente che lo spessore fisico degli strati rimaneva lo stesso in tutte e tre le condizioni, permettendo al contempo alle proprietà chimiche di variare come previsto. Questa capacità di riutilizzare i modelli addestrati senza la necessità di riaddestrarli per ogni nuova combinazione di esperimenti è un vantaggio pratico significativo. Ciò significa che, man mano che gli scienziati raccolgono nuovi dati in futuro, possono semplicemente inserire le loro nuove misurazioni nel quadro esistente, risparmiando tempo e potenza di calcolo.

Sebbene i risultati siano promettenti, gli autori sottolineano con cautela i confini del loro lavoro. Il sistema dipende dalla qualità dei dati di addestramento iniziali e dall'accuratezza delle simulazioni utilizzate per istruire il computer. In alcuni casi magnetici complessi, il modello ha utilizzato una versione semplificata della fisica per rendere l'addestramento fattibile, il che significa che i dettagli più intricati del disordine magnetico reale non sono stati pienamente catturati in questa specifica dimostrazione. Inoltre, il processo di combinazione delle opinioni dei diversi esperti richiede una gestione matematica attenta per garantire che il risultato finale non sia distorto dal modo in cui le informazioni sono state fuse. Nonostante queste limitazioni, lo studio stabilisce una solida base per un nuovo modo di intendere l'analisi dei dati scientifici. Sposta il campo dalla costruzione di un unico, gigantesco modello informatico onnisciente verso un approccio più modulare e collaborativo, in cui strumenti specializzati possono essere combinati sul momento.

Questo lavoro suggerisce un futuro in cui l'analisi di materiali complessi diventi più veloce e affidabile. Poiché gli esperimenti presso le grandi strutture generano enormi quantità di dati, la capacità di interpretarli rapidamente e accuratamente diventa critica. Consentendo a diversi tipi di misurazioni di informarsi a vicenda senza richiedere una revisione completa del software di analisi, questo metodo offre una via verso una scoperta scientifica più automatizzata ed efficiente. I ricercatori hanno dimostrato che, rispettando i punti di forza unici di ogni tipo di misurazione e trovando un linguaggio comune per le loro informazioni condivise, è possibile vedere la struttura nascosta della materia con una chiarezza precedentemente fuori portata. Questo non è solo un miglioramento tecnico nel modo in cui i dati vengono elaborati; è un cambiamento nel modo in cui gli scienziati possono approcciarsi alla domanda fondamentale di cosa siano fatte le cose, trasformando ombre ambigue in una chiara comprensione tridimensionale del mondo dei materiali.