Una iniciativa innovadora, SYNAPS-I, aprovecha la inteligencia artificial para agilizar la extracción de información científica de los enormes volúmenes de datos de imagen generados por instalaciones avanzadas de dispersión de luz y neutrones en Estados Unidos. Este esfuerzo multiinstitucional, operando bajo la Misión Genesis del Departamento de Energía, busca potenciar el descubrimiento en áreas críticas como tecnología energética, desarrollo de semiconductores e investigación farmacéutica al integrar la inteligencia artificial directamente en los flujos de análisis de datos.
El programa SYNAPS-I (SYnergistic Neutron and Photon Science – Intelligence) representa un componente significativo de la Misión Genesis, una nueva iniciativa nacional impulsada por el Departamento de Energía. El objetivo general de la Misión Genesis es aprovechar el poder de la inteligencia artificial para acelerar avances científicos y abordar desafíos complejos en ciencia, energía y seguridad nacional. Dentro de este marco, el Consorcio de Modelos de Inteligencia Artificial Transformacional se dedica a crear e implementar sistemas de inteligencia artificial que mejoran continuamente, aprovechando los recursos de datos únicos, la infraestructura de investigación y la experiencia científica alojados en los laboratorios nacionales del Departamento de Energía. Berkeley Lab desempeña un papel destacado o participa significativamente en tres equipos de desarrollo de modelos de inteligencia artificial, aprovechando sus fortalezas establecidas en computación de alto rendimiento, gestión de datos a gran escala y desarrollo avanzado de modelos de inteligencia artificial, frecuentemente en colaboración con socios comerciales.
Alex Hexemer, científico senior de la Fuente de Luz Avanzada de Berkeley Lab y punto de contacto principal para SYNAPS-I, explicó que la iniciativa está diseñada para reducir sustancialmente el tiempo entre la realización de experimentos y la obtención de comprensión científica significativa. Esta aceleración es posible al integrar tecnologías de inteligencia artificial directamente en los conductos de análisis de datos. Las instalaciones de laboratorio nacional ya son reconocidas como líderes globales en investigación científica, y esta integración está lista para amplificar su capacidad de descubrimiento.
La plataforma SYNAPS-I implementará modelos sofisticados de aprendizaje automático y modelos fundamentales en una red de centros de investigación de luz y neutrones participantes. Este enfoque unificado permitirá el análisis integral de datos de imagen producidos por instrumentos de rayos X y neutrones de última generación ubicados en siete instalaciones de Ciencias de Energía Básica del Departamento de Energía. La Fuente de Luz Avanzada, una instalación de sincrotrón que genera radiación de rayos X, ultravioleta e infrarroja, es uno de estos centros fundamentales. Las mejoras de infraestructura en curso y recientes, especialmente el proyecto de Actualización de la Fuente de Luz Avanzada en Berkeley Lab, están generando volúmenes significativamente mayores de datos, creando oportunidades expandidas para acelerar el descubrimiento en un amplio espectro de disciplinas científicas.
Este esfuerzo colaborativo opera como una asociación público-privada, uniendo laboratorios de investigación nacionales, instituciones académicas y organizaciones comerciales líderes con experiencia en inteligencia artificial, ciencia de materiales, desarrollo farmacéutico y soluciones energéticas. Las instituciones participantes clave incluyen Berkeley Lab, Laboratorio Nacional de Argonne, Laboratorio Nacional de Brookhaven, Laboratorio Nacional del Acelerador SLAC y Laboratorio Nacional de Oak Ridge. Hexemer destacó que al reunir experiencia y recursos de datos de múltiples instalaciones, la colaboración puede desarrollar capacidades de inteligencia artificial que beneficien a todos los usuarios y lograr aceleración científica que sería inalcanzable para instalaciones individuales trabajando de forma aislada.
La aplicación de microscopía de rayos X y metodologías de dispersión de neutrones permite a los investigadores examinar meticulosamente transformaciones de fase en la composición química y estructura molecular de materiales reactivos. Estas técnicas son cruciales para comprender cómo se desarrollan las reacciones químicas e imperfecciones estructurales dentro de los materiales, proporcionando conocimiento esencial para la creación de materiales más resistentes adecuados para aplicaciones como tecnología de baterías. Los avances en automatización dentro de la microscopía de rayos X ya han permitido una caracterización de materiales más rápida para aplicaciones emergentes. Por ejemplo, hace más de una década, investigadores de la Fuente de Luz Avanzada utilizaron ptycografía, un método computacional de imagen de rayos X sin lentes capaz de resolver estructuras de muestras a resolución atómica, para visualizar características de 5 nanómetros en fosfato de hierro y litio, un material relevante para sistemas de almacenamiento de energía. Este logro notable ofreció nuevas perspectivas sobre la formación de defectos en fosfato de hierro y litio durante transiciones de fase química.
De cara al futuro, el equipo de SYNAPS-I tiene como objetivo mejorar aún más la velocidad a la que se extrae conocimiento de datos de microscopía de rayos X y dispersión de neutrones. Un enfoque clave será el desarrollo de un conducto de aprendizaje automático diseñado para mejorar algoritmos existentes para ptycografía automatizada y segmentación de imágenes de datos de rayos X y neutrones. La ptycografía funciona escaneando muestras con haces superpuestos, recopilando patrones de difracción y reconstruyéndolos computacionalmente en imágenes 2D de alta resolución o escaneos multiángulo que producen representaciones 3D. La segmentación de imágenes, por otro lado, implica identificar patrones y características específicas dentro de estas imágenes de rayos X y neutrones.
Los materiales de batería, por ejemplo, a menudo comprenden millones de granos y partículas individuales. El método tradicional de segmentación manual, que implica el proceso laborioso de identificar cada grano individualmente, requiere una inversión significativa de tiempo. La plataforma SYNAPS-I está diseñada para simplificar y acelerar dramáticamente este proceso. Al implementar soluciones de inteligencia artificial existentes y recién desarrolladas, SYNAPS-I reemplazará la segmentación manual con un sistema automatizado capaz de segmentar y caracterizar partículas en tiempo real, permitiendo a los científicos observar materiales en instrumentos de línea de haz de rayos X o neutrones sin las limitaciones de tiempo anteriores. Hexemer señaló que la segmentación automatizada en microscopía avanzada sigue siendo un desafío científico sustancial. Aunque existen modelos de inteligencia artificial para segmentación de imágenes fotográficas convencionales, a menudo funcionan inadecuadamente cuando se aplican a datos científicos. SYNAPS-I aborda directamente esta brecha específica al desarrollar herramientas especializadas adaptadas para aplicaciones de imagen científica.
Fuentes
- https://newscenter.lbl.gov/2026/02/02/how-a-machine-learning-pipeline-could-accelerate-innovation/
