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

In de wereld van materiaalkunde is het begrijpen van hoe een substantie op atomair niveau is opgebouwd, vaak vergelijkbaar met het proberen te reconstrueren van een gebroken vaas door alleen naar de schaduwen te kijken die deze op een muur werpt. Wetenschappers gebruiken krachtige bundels röntgenstraling of neutronen om de structuur van dunne films en complexe materialen te onderzoeken. Wanneer deze bundels een monster raken, verstrooien ze, waardoor een patroon van intensiteit ontstaat dat de geheimen van de interne architectuur van het materiaal bevat. Er is echter een fundamenteel probleem: de detectoren registreren hoe helder het verstrooide licht is, maar verliezen de informatie over de timing of fase van de golven. Dit ontbrekende puzzelstukje creëert een situatie waarin veel verschillende interne structuren precies hetzelfde schaduwpatroon kunnen produceren. Bijgevolg worden wetenschappers vaak geconfronteerd met een situatie waarin één enkele meting hen niet de ware vorm van het materiaal kan vertellen, waardoor ze met meerdere mogelijke antwoorden achterblijven in plaats van één duidelijke waarheid.

Om dit op te lossen, hebben onderzoekers lang geprobeerd verschillende soorten metingen te combineren, in de hoop dat de zwaktes van de ene techniek zouden worden gecompenseerd door de sterktes van een andere. Het samenvoegen van deze verschillende datastromen tot één coherent beeld is echter een enorme uitdaging gebleken voor computermodellen. Een nieuwe studie van onderzoekers aan de Universiteit van Tübingen in Duitsland introduceert een frisse aanpak voor dit probleem. Ze hebben een flexibel systeem ontwikkend waarmee kunstmatige intelligentiemodellen, die afzonderlijk zijn getraind op verschillende soorten verstrooiingsdata, naadloos kunnen samenwerken. In plaats van één enkel, massief computerprogramma te dwingen om elke mogelijke combinatie van experimenten te leren, laat hun methode gespecialiseerde modellen toe om hun inzichten aan het einde van het proces te delen. Deze innovatie stelt wetenschappers in staat om data van röntgenstraling, neutronen en zelfs gepolariseerde neutronen te combineren om de verborgen structuur van materialen met veel meer zekerheid dan ooit tevoren te onthullen.

De kern van dit werk ligt in een techniek genaamd "flow matching", wat kan worden beschouwd als een manier voor een computer om te leren hoe het een eenvoudige, willekeurige wolk van mogelijkheden kan transformeren naar een specifieke, gedetailleerde kaart van hoe een materiaal er waarschijnlijk uitziet. Stel je voor dat een computer begint met een enorme, ongestructureerde wolk van gissingen over de dikte, dichtheid en ruwheid van een materiaal. Door training op miljoenen gesimuleerde experimenten leert de computer een reeks regels — een wiskundige stroom (flow) — die deze wolk van gissingen voorzichtig duwt totdat deze de meest waarschijnlijke vorm aanneemt die overeenkomt met de echte werelddata. In dit nieuwe kader trainden de onderzoekers aparte "experts" voor verschillende soorten experimenten. De ene expert leerde röntgendata te interpreteren, een andere leerde om met neutronendata om te gaan, en een derde leerde de complexe signalen van gepolariseerde neutronen te decoderen. Elke expert werd zeer bekwaam in zijn eigen taak, maar ze waren niet ontworpen om tijdens hun training met elkaar te communiceren.

De doorbraak vindt plaats wanneer deze experts bij elkaar worden gebracht om een echt monster te analyseren. De onderzoekers bedachten een methode om de inzichten van deze afzonderlijke experts te combineren op het moment van analyse, in plaats van tijdens de leerfase. Wanneer een monster wordt gemeten met zowel röntgenstraling als neutronen, vraagt het systeem aan elke expert om hun beste gok over de structuur van het materiaal. Cruciaal is dat het systeem weet welke delen van de structuur gedeeld worden tussen de twee metingen — zoals de dikte van een laag of de ruwheid van een interface — en welke delen uniek zijn voor een specifieke meting, zoals de manier waarop het materiaal interageert met röntgenstraling versus neutronen. Het systeem voegt de meningen van de experts vervolgens zorgvuldig samen, waarbij wordt gewaarborgd dat de gedeelde informatie correct wordt geteld en dat de unieke details van elke meting behouden blijven. Dit proces creëert effectief één verenigd beeld dat nauwkeuriger is dan welk enkele expert alleen zou kunnen bieden.

Het team testte deze aanpak op een verscheidenheid aan realistische scenario's, variërend van eenvoudige organische films tot complexe magnetische structuren. In één experiment analyseerden ze een dunne film van een organisch halfgeleider met alleen röntgenstraling. Het systeem slaagde erin het dichtheidsprofiel van de film te reconstrueren, wat aantoonde dat de computer de basisstructuur uit een enkel type data kan leren. Vervolgens gingen ze over naar complexere gevallen, zoals een polymeerborstelstructuur, waarbij de eigenschappen van het materiaal geleidelijk veranderen van het oppervlak naar binnen toe. Hierbij kon het systeem omgaan met data die niet gelijkmatig verdeeld was, een veelvoorkomend kenmerk van neutronenexperimenten, en produceerde nog steeds een duidelijk beeld van de interne lay-out van het materiaal. Misschien wel het meest indrukwekkend was dat de onderzoekers data van röntgenstraling en neutronen combineerden om een magnetisch materiaal van platina en ijzer te bestuderen. Röntgenstraling is gevoelig voor de elektronendichtheid van de atomen, terwijl neutronen gevoelig zijn voor de atoomkernen en magnetische eigenschappen. Door deze twee visies te combineren, was het systeem in staat om zowel de fysieke lagen als de magnetische oriëntatie van het materiaal simultaan in kaart te brengen, iets wat met traditionele methoden extreem moeilijk te bereiken zou zijn.

De studie toonde ook aan dat deze modulaire aanpak goed werkt wanneer er meerdere metingen van hetzelfde monster worden uitgevoerd onder verschillende omstandigheden. In neutronenexperimenten veranderen wetenschappers bijvoorbeeld vaak de chemische omgeving rond het monster om verschillende delen van de structuur te benadrukken. De onderzoekers lieten zien dat hun systeem een model dat getraind is op een enkele meting kon gebruiken om tegelijkertijd drie verschillende chemische omgevingen te analyseren. Het systeem identificeerde correct dat de fysieke dikte van de lagen gelijk bleef onder alle drie de omstandigheden, terwijl het de chemische eigenschappen liet variëren zoals verwacht. Deze mogelijkheid om getrainde modellen te hergebruiken zonder ze voor elke nieuwe combinatie van experimenten opnieuw te hoeven trainen, is een aanzienlijk praktisch voordeel. Het betekent dat naarmate wetenschappers in de toekomst meer data verzamelen, ze hun nieuwe metingen simpelweg in het bestaande kader kunnen invoegen, wat tijd en rekenkracht bespaart.

Hoewel de resultaten veelbelovend zijn, zijn de auteurs voorzichtig over de grenzen van hun werk. Het systeem is afhankelijk van de kwaliteit van de initiële trainingsdata en de nauwkeurigheid van de simulaties die gebruikt worden om de computer te onderwijzen. In sommige complexe magnetische gevallen gebruikte het model een vereenvoudigde versie van de fysica om de training haalbaar te maken, wat betekent dat de meest ingewikkelde details van echte magnetische wanorde in deze specifieke demonstratie niet volledig werden gevangen. Bovendien vereist het proces van het combineren van de verschillende expertmeningen een zorgvuldige wiskundige behandeling om te garanderen dat het eindresultaat niet wordt vertekend door de manier waarop de informatie is samengevoegd. Ondanks deze beperkingen legt de studie een robuuste basis voor een nieuwe manier van denken over wetenschappelijke data-analyse. Het beweegt het veld weg van het proberen te bouwen van één gigantisch, alwetend computermodel en naar een meer modulaire, collaboratieve aanpak waarbij gespecialiseerde instrumenten on the fly gecombineerd kunnen worden.

Dit werk suggereert een toekomst waarin de analyse van complexe materialen sneller en betrouwbaarder wordt. Naarmate experimenten bij grote faciliteiten enorme hoeveelheden data genereren, wordt het vermogen om deze snel en accuraat te interpreteren cruciaal. Door verschillende soorten metingen met elkaar te laten informeren zonder dat daarvoor een volledige herziening van de analyse-software nodig is, biedt deze methode een pad naar een meer geautomatiseerde en efficiënte wetenschappelijke ontdekking. De onderzoekers hebben aangetoond dat door de unieke sterktes van elk type meting te respecteren en tegelijkertijd een gemeenschappelijke taal voor de gedeelde informatie te vinden, het mogelijk is om de verborgen structuur van materie te zien met een helderheid die voorheen onbereikbaar was. Dit is niet alleen een technische verbetering in de manier waarop data wordt verwerkt; het is een verschuiving in de manier waarop wetenschappers de fundamentele vraag kunnen benaderen waaruit dingen zijn opgebouwd, door ambigue schaduwen om te zetten in een helder, driedimensionaal begrip van de materiële wereld.