Un nouveau logiciel basé sur l’intelligence artificielle aide à interpréter des données complexes


Les données expérimentales sont souvent non seulement très dimensionnelles, mais aussi bruyantes et pleines d’artefacts. Cela rend difficile l’interprétation des données. Maintenant, une équipe de HZB a conçu un logiciel qui utilise des réseaux de neurones auto-apprenants pour compresser les données de manière intelligente et reconstruire une version à faible bruit à l’étape suivante. Cela permet de reconnaître des corrélations qui autrement ne seraient pas perceptibles. Le logiciel a maintenant été utilisé avec succès dans le diagnostic des photons au laser à électrons libres FLASH de DESY. Mais il convient à des applications scientifiques très différentes.

Plus n’est pas toujours mieux, mais parfois un problème. Avec des données très complexes, qui ont de nombreuses dimensions en raison de leurs nombreux paramètres, les corrélations ne sont souvent plus reconnaissables. D’autant plus que les données obtenues expérimentalement sont en outre perturbées et bruitées en raison d’influences qui ne peuvent pas être contrôlées.

Aider les humains à interpréter les données

Désormais, de nouveaux logiciels basés sur des méthodes d’intelligence artificielle peuvent aider : il s’agit d’une classe spéciale de réseaux de neurones (NN) que les experts appellent « réseau d’auto-encodeur variationnel démêlé (β-VAE) ». En termes simples, le premier NN s’occupe de compresser les données, tandis que le second NN reconstruit ensuite les données. « Dans le processus, les deux NN sont entraînés de manière à ce que la forme compressée puisse être interprétée par des humains », explique le Dr Gregor Hartmann. Le physicien et scientifique des données supervise le laboratoire commun sur les méthodes d’intelligence artificielle à HZB, qui est géré par HZB en collaboration avec l’Université de Kassel.

Extraire les principes de base sans connaissances préalables

Google Deepmind avait déjà proposé d’utiliser les β-VAE en 2017. De nombreux experts supposaient que l’application dans le monde réel serait difficile, car les composants non linéaires sont difficiles à démêler. « Après plusieurs années d’apprentissage de la façon dont les NN apprennent, cela a finalement fonctionné », déclare Hartmann. Les β-VAE sont capables d’extraire le principe de base sous-jacent à partir de données sans connaissances préalables.

Énergie photonique du FLASH déterminée

Dans l’étude maintenant publiée, le groupe a utilisé le logiciel pour déterminer l’énergie photonique de FLASH à partir de spectres de photoélectrons uniques. « Nous avons réussi à extraire ces informations à partir de données de temps de vol d’électrons bruités, et bien mieux qu’avec les méthodes d’analyse conventionnelles », explique Hartmann. Même les données avec des artefacts spécifiques au détecteur peuvent être nettoyées de cette façon.

Un outil puissant pour différents problèmes

« La méthode est vraiment bonne quand il s’agit de données altérées », souligne Hartmann. Le programme est même capable de reconstruire de minuscules signaux qui n’étaient pas visibles dans les données brutes. De tels réseaux peuvent aider à découvrir des effets physiques inattendus ou des corrélations dans de grands ensembles de données expérimentales. « La compression de données intelligente basée sur l’IA est un outil très puissant, pas seulement dans la science des photons », déclare Hartmann.

Maintenant branchez et jouez

Au total, Hartmann et son équipe ont passé trois ans à développer le logiciel. « Mais maintenant, c’est plus ou moins plug and play. Nous espérons que bientôt de nombreux collègues viendront avec leurs données et nous pourrons les soutenir. »

Source de l’histoire :

Matériel fourni par Centre Helmholtz de Berlin pour les matériaux et l’énergie. Remarque : Le contenu peut être modifié pour le style et la longueur.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*