在中子散射实验中实现实时定向的集成边缘到超大尺度工作流.
Junqi Yin1, Viktor Reshniak2, Siyan Liu3
1National Center for Computational Sciences, Oak Ridge National Laboratory, Oak Ridge, Tennessee 37831, USA.
Structural dynamics (Melville, N.Y.)
|December 30, 2024
概括
我们开发了一个人工智能驱动的计算框架,用于实时指导中子散射实验. 这种方法显著减少了数据处理时间,并提高了材料研究的实验准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 计算物理 计算物理
- 数据科学数据科学数据科学
背景情况:
- 中子散射实验产生了大量的复杂数据.
- 实时分析和自适应控制对于优化实验效率和准确性至关重要.
- 当前的数据处理方法可能耗时,限制实验吞吐量.
研究的目的:
- 为实时指导中子散射实验引入一种新的计算框架.
- 利用人工智能 (AI),机器学习 (ML) 和高性能计算 (HPC) 来加强实验控制.
- 减少数据处理瓶,提高多维晶体学准确度.
主要方法:
- 边缘和超大规模计算的集成,以实现边缘到超大规模的工作流.
- 时间融合变压器模型的应用,以预测3D中子散射模式,以voxel级准确度.
- 时间处理来自Spallation中子源的四维中子事件数据.
主要成果:
- 通过分布式培训,数据处理时间从小时减少到几分钟.
- 在预测中子散射模式的模型准确性方面取得了显著的改进.
- 通过边缘计算和超大规模计算,在实验期间实现了适应性,数据驱动的决策.
结论:
- 开发的框架优化了中子束时间,提高了实验准确性.
- 这种方法为中子散射实验的自动化奠定了基础.
- 该系统显示出广泛采用和高效探索复杂材料系统的巨大潜力.
