阿贡实验室利用人工智能加速先进光子源的化学分析

人工智能（AI）正在对科学的几乎每一个分支进行变革。美国能源部（DOE）阿贡国家实验室的研究人员正走在这一变革的前沿。

"如今媒体对AI有很多炒作。"阿贡先进光子源（APS）的计算科学家和组长Mathew Cherukara说。APS是美国能源部科学办公室的用户设施。"但毫无疑问，AI可以帮助APS和其他光源的研究人员在对美国工业至关重要的先进化学工艺方面取得突破。"

作为佐证，阿贡团队开发了一种AI引导的方法，能够大幅加速一种广泛使用的X射线技术——X射线吸收近边结构（XANES）光谱分析。这种方法同时大大降低了人为错误或X射线束对样品造成损害的风险。

这种强大的分析工具能够揭示对现代生活至关重要的材料内部的隐藏化学特性，如电池、催化剂以及电能够无阻力流动的材料。团队的AI方法将此前所需的测量次数减少了多达80%，而且没有损失精度。大幅缩短了数据采集时间，使研究人员能够实时捕捉快速的化学变化。

XANES是这样工作的：科学家将能量递增的X射线束照射到材料上。每一束X射线都是一个微小的能量包。当能量高到足以将紧密结合的电子从原子中击出时，材料会突然吸收更多的X射线。这种吸收的急剧跃升被称为吸收边缘。通过追踪在这个边缘之前、期间和之后的X射线吸收变化，研究人员可以观察特定元素在材料内部的化学变化——从金属催化剂与其他化学物质的反应，到电池元件在循环过程中电荷状态的变化。

"XANES非常强大，但直到现在，科学家不得不就测量的位置和在每个X射线能量水平上测量多久做出几十甚至几百个选择，"APS物理学家和组长Shelly Kelly说。

X射线能量的某些区域富含化学信息，需要进行大量测量。其他区域则不是，意味着所需的测量要少得多。"实验者往往不容易设定在给定能量区域进行测量的最佳数量，"Kelly说。"AI正在帮助我们消除XANES的猜测工作。"

团队的新方法用AI算法替代了手动测量过程，该算法自动选择最有用的测量点。算法识别吸收边缘可能发生的位置、哪些区域包含最多的化学细节以及哪些区域提供很少的额外信息。

"我们的AI方法只在需要的地方进行测量，"计算科学家和论文第一作者Ming Du说。"它更智能、更快、更高效，让研究人员能够专注于大局。"

该系统还实现了一些新功能：AI指导的实验。通过将样品的演进光谱与已知的起始和结束状态（例如，完全充电的电极与完全放电的电极）进行比较，AI可以实时告诉研究人员化学进展的状态、何时收集了足够的信息、以及何时该继续下一步。

"这不仅仅是加速测量，"Kelly说。"这是在实验过程中做出决策——以前是人类做的决策。"

这项工作指向了一个未来，X射线光束线（如APS的那些）更加自主，能够更好地跟踪复杂的化学反应。"这让我们更接近能够充分利用每个光子的智能X射线站，"Cherukara说。"阿贡计划继续为下一代X射线科学开发AI驱动的工具，特别是随着升级后的APS提供比以前亮500倍的光束。"