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

Wetenschappers die de rangschikking van atomen in materialen bestuderen, vertrouwen vaak op een techniek die diffractie wordt genoemd. Stel je voor dat je een lichtstraal, zoals röntgenstralen of neutronen, door een kristal schijnt. De atomen binnen het kristal fungeren als een complex filter dat de straal verstrooit in een specifiek patroon van stippen of lijnen op een detector. Dit patroon is een unieke vingerafdruk van de interne structuur van het materiaal. Door te analyseren hoe de straal verstrooit, kunnen onderzoekers de exacte posities van de atomen reconstrueren, wat alles onthult van de sterkte van een nieuw batterijmateriaal tot de geschiedenis van een antiek pigment. Het omzetten van deze verstrooide patronen naar een helder beeld van atomaire posities is echter een moeilijke puzzel. Het vereist gespecialiseerde software om miljoenen mogelijke rangschikkingen te testen tegen de gegevens, een proces dat diepgaande expertise vereist en vaak het schrijven van complexe, aangepaste instructies voor de computer inhoudt.

Jarenlang is een krachtige software suite genaamd TOPAS de favoriet geweest voor het oplossen van deze puzzels. Het is in staat om alles aan te kunnen, van eenvoudige kristallen tot complexe, ongeordende materialen, maar het werkt via tekstbestanden die lijken op code. Het maken van deze bestanden vereist een steile leercurve, aangezien één enkele fout in de syntaxis kan ervoor zorgen dat de hele analyse mislukt. Hoewel de software ongelooflijk snel en robuust is, heeft de menselijke inspanning die nodig is voor de installatie en configuratie het gebruik beperkt tot specialisten. Nu heeft een team van onderzoekers een nieuwe manier ontwikkeld om deze kloof te overbruggen, door de ruwe kracht van TOPAS te combineren met de redeneervaardigheden van moderne kunstmatige intelligentie. Ze hebben twee gekoppelde tools gecreëerd, een slimme editor en een AI-assistent, waardoor de software kan worden aangestuurd door natuurlijke taal, wat het moeilijkste deel van de analyse effectief automatiseert terwijl de mens in de loop blijft om de resultaten te verifiëren.

De eerste tool, genaamd topas-editor, is een digitale werkruimte ontworpen om de complexe taal van TOPAS gemakkelijker leesbaar en schrijfbaar te maken. Het functioneert als een gespecialiseerd notitieblok dat de regels van de software begrijpt. Terwijl een gebruiker instructies typt, markeert de editor trefwoorden, biedt directe uitleg voor technische termen en controleert automatisch op veelvoorkomende fouten. Het fungeert als een gids die suggereert wat de juiste manier is om een kristalstructuur of een specifieke experimentele conditie te beschrijven. Deze interface maakt het mogelijk voor onderzoekers om direct met de software te communiceren zonder de honderden obscure commando's uit het hoofd te hoeven leren. De echte innovatie ligt echter in de tweede tool, TOPilot, die fungeert als een intelligente agent die deze instructies voor de gebruiker kan schrijven.

TOPilot is gebouwd op een reeks regels en voorbeelden die een kunstmatige intelligentie leren hoe ze als een ervaren kristallograaf moet denken. In plaats van simpelweg te gokken, raadpleegt de AI een gecureerde bibliotheek van wetenschappelijke regels en referentiedocumenten voordat hij een beslissing neemt. Wanneer een onderzoeker een gegevensbestand verstrekt en een eenvoudige beschrijving geeft van wat hij wil vinden, neemt TOPilot het over. Het kan automatisch het type materiaal identificeren, het juiste wiskundige model bepalen en het complexe tekstbestand genereren dat nodig is om de analyse uit te voeren. Als de AI op een probleem stuit dat het niet kan oplossen, zoals ontbrekende informatie over de experimentele opstelling, stopt het en vraagt het de menselijke gebruiker om verduidelijking in plaats van een gevaarlijke gok te wagen. Deze aanpak zorgt ervoor dat de AI het repetitieve, tijdrovende werk van het testen van verschillende modellen afhandelt, terwijl de menselijke expert toezicht houdt op de kritieke beslissingen.

De onderzoekers hebben dit systeem getest op een breed scala aan reële uitdagingen om te zien of het de rommeligheid van werkelijke wetenschappelijke gegevens aan kan. In één test gaven ze de AI een gesimuleerd patroon van een materiaal genaamd Y2O3 dat bewust was gecorrumpeerd met fouten, zoals een verschoven achtergrond en vervormde pieken. Een standaardbenadering zou onder deze omstandigheden waarschijnlijk falen, maar de AI navigeerde succesvol door de complicaties. Het identificeerde de fouten, paste zijn model aan om er rekening mee te houden en produceerde een eindresultaat dat overeenkwam met de kwaliteit van een handmatige analyse uitgevoerd door een menselijke expert. Het systeem deed dit door vele verschillende variaties van het model te testen, te controleren welke het beste bij de gegevens paste, en vervolgens de bevindingen in een duidelijk, interactief formaat te rapporteren.

In een ander voorbeeld vroegen de onderzoekers de AI om een volledig probleem vanaf nul op te lossen, beginnend met een ruw gegevensbestand en eindigend met een verfijnde atomaire structuur. Het materiaal was een complexe verbinding die zirconium en wolfraam bevat. De AI identificeerde succesvol de grootte van de herhalende eenheid van het kristal, bepaalde de juiste symmetrie van de structuur en verfijnde vervolgens de posities van elk atoom daarin. Het hele proces, van ruwe gegevens tot een voltooid structureel model, duurde slechts enkele minuten. Het systeem demonstreerde ook zijn vermogen om meerdere monsters tegelijk te verwerken, waarbij het een reeks van dertig verschillende patronen analyseerde die werden verzameld terwijl een materiaal werd verhit, en automatisch plotte hoe de structuur veranderde met de temperatuur.

Misschien wel de meest indrukwekkende demonstratie betrof materialen met "incommensurabele" structuren, waarbij de atomaire rangschikking zich niet op een eenvoudige, regelmatige manier herhaalt. Deze zijn berucht moeilijk te analyseren omdat de patronen extra, zwakke signalen bevatten die standaardsoftware vaak mist. De AI was in staat om deze subtiele signalen te detecteren, de complexe modulatie van de structuur te bepalen en het model te verfijnen om de gegevens met hoge precisie te matchen. Het slaagde er zelfs in om gegevens van twee verschillende soorten experimenten, röntgenstralen en neutronen, te combineren in één coherente analyse, waarbij automatisch werd gecorrigeerd voor de verschillen in de manier waarop de twee stralen met het materiaal interageren. Tijdens al deze tests produceerde het systeem consequent resultaten die identiek waren aan die gegenereerd door menselijke experts, wat bewees dat de AI kan worden vertrouwd voor het uitvoeren van complexe, meerstaps wetenschappelijke workflows.

De onderzoekers benadrukken dat hoewel de AI krachtig is, het geen vervanging is voor het menselijk oordeel. Het systeem is ontworpen om transparant te zijn, waarbij gedetailleerde rapporten en interactieve grafieken worden verstrekt waarmee de gebruiker precies kan zien wat de AI heeft gedaan en waarom. Als de AI een keuze maakt die ongebruikelijk lijkt, kan de gebruiker de redenering bekijken en de parameters aanpassen. Het doel is niet om de wetenschapper uit het proces te verwijderen, maar om hem te bevrijden van de tijdrovende taak van het schrijven van code, zodat hij zich kan concentreren op het interpreteren van de resultaten. Het team merkte op dat het systeem zeer reproduceerbaar was; het herhaaldelijk uitvoeren van dezelfde analyse leverde bijna identieke resultaten op, met slechts kleine variaties in keuzes die zelfs menselijke experts anders zouden kunnen maken.

Deze nieuwe aanpak vertegenwoordigt een significante verschuiving in de manier waarop diffractiegegevens worden geanalyseerd. Door de snelheid en betrouwbaarheid van de TOPAS-software te combineren met de aanpasbaarheid van kunstmatige intelligentie, hebben de onderzoekers een tool gecreëerd die de volledige reikwijdte van kristallografische problemen kan aanpakken, van eenvoudige fase-identificatie tot de meest complexe structurele verfijningen. Het systeem is beschikbaar voor iedereen om te gebruiken, en kan worden uitgebreid met nieuwe regels of voorbeelden naarmate de wetenschappelijke gemeenschap nieuwe materialen ontdekt. Het werk suggereert dat de toekomst van materiaalkunde een partnerschap kan zijn tussen menselijke intuïtie en machineautomatisering, waarbij de computer het zware rekenwerk doet en de mens de inzichten biedt om te begrijpen wat de cijfers betekenen. Het resultaat is een snellere, toegankelijkere manier om de geheimen die verborgen liggen in de atomale wereld te ontsluieren.