Cribado autónomo de espacios de fase complejos utilizando optimización bayesiana para mediciones SAXS

Área de la Ciencia:

• Ciencias de los materiales
• Ciencia de los datos
• Física Química

Sus antecedentes:

• Los experimentos modernos de rayos X ultrarrápidos generan vastos conjuntos de datos, que exceden las capacidades actuales de almacenamiento y hardware.
• El manejo eficiente de los datos y el almacenamiento selectivo son fundamentales para el progreso científico en la ciencia de los rayos X.
• Los experimentos de dispersión de rayos X en ángulo pequeño (SAXS) producen espectros complejos que requieren un análisis sofisticado.

Objetivo del estudio:

• Introducir la optimización bayesiana como un método para el manejo eficiente de datos en experimentos de rayos X.
• Aplicar la optimización bayesiana para localizar las características globales en los espectros SAXS.
• Demostrar el potencial de la operación experimental autónoma a través de la integración de la ciencia de los datos.

Principales métodos:

• Algoritmo de optimización bayesiano aplicado a los datos SAXS.
• Evaluación del algoritmo en más de 250 puntos de datos experimentales.
• Centrarse en la localización de las características espectrales globales en experimentos con CO2 supercrítico.

Principales resultados:

• La implementación de optimización bayesiana demostró ser versátil, robusta y eficiente desde el punto de vista computacional.
• El algoritmo convergió rápidamente, a menudo dentro de unas pocas iteraciones, con un error mínimo.
• Se logró la identificación exitosa de las características globales en los espectros SAXS.

Conclusiones:

• La optimización bayesiana ofrece una solución efectiva para administrar grandes conjuntos de datos en experimentos de rayos X ultrarrápidos.
• El método facilita la operación experimental autónoma, mejorando el descubrimiento científico.
• Este enfoque minimiza los costos experimentales y maximiza el valor de los datos generados.