Un nuevo software basado en Inteligencia Artificial ayuda a interpretar datos complejos
Compresión inteligente de datos ruidosos
A menudo, los datos experimentales no sólo son muy dimensionales, sino también ruidosos y llenos de artefactos. Esto dificulta su interpretación. Ahora, un equipo de HZB ha diseñado un programa informático que utiliza redes neuronales de aprendizaje automático para comprimir los datos de forma inteligente y reconstruir una versión con poco ruido en el siguiente paso. Esto permite reconocer correlaciones que de otro modo no serían perceptibles. El software ya se ha utilizado con éxito en el diagnóstico de fotones en el láser de electrones libres FLASH del DESY. Pero es adecuado para aplicaciones científicas muy diferentes.
Imagen simbólica
Computer-generated image
Más no siempre es mejor, pero a veces es un problema. Con datos muy complejos, que tienen muchas dimensiones debido a sus numerosos parámetros, las correlaciones a menudo ya no son reconocibles. Sobre todo porque los datos obtenidos experimentalmente están además perturbados y son ruidosos debido a influencias que no se pueden controlar.
Ayudar a los humanos a interpretar los datos
Ahora, un nuevo software basado en métodos de inteligencia artificial puede ayudar: Se trata de una clase especial de redes neuronales (NN) que los expertos denominan "red autoencodificadora variacional desenredada (β-VAE)". En pocas palabras, la primera NN se encarga de comprimir los datos, mientras que la segunda los reconstruye posteriormente. "En el proceso, las dos NN se entrenan para que la forma comprimida pueda ser interpretada por los humanos", explica el Dr. Gregor Hartmann. El físico y científico de datos supervisa el Laboratorio Conjunto de Métodos de Inteligencia Artificial de HZB, que dirige junto con la Universidad de Kassel.
Extracción de principios básicos sin conocimientos previos
Google Deepmind ya había propuesto utilizar β-VAEs en 2017. Muchos expertos suponían que la aplicación en el mundo real sería todo un reto, ya que los componentes no lineales son difíciles de desentrañar. "Después de varios años aprendiendo cómo aprenden las NN, finalmente funcionó", dice Hartmann. Los β-VAE son capaces de extraer el principio básico subyacente de los datos sin necesidad de conocimientos previos.
Determinada la energía de los fotones de FLASH
En el estudio que ahora se publica, el grupo utilizó el software para determinar la energía fotónica de FLASH a partir de espectros de fotoelectrones de un solo disparo. "Conseguimos extraer esta información a partir de datos de tiempo de vuelo de electrones ruidosos, y mucho mejor que con los métodos de análisis convencionales", afirma Hartmann. Incluso los datos con artefactos específicos del detector pueden limpiarse de esta forma".
Una herramienta potente para distintos problemas
"El método es realmente bueno cuando se trata de datos deteriorados", subraya Hartmann. El programa es capaz incluso de reconstruir pequeñas señales que no eran visibles en los datos brutos. Estas redes pueden ayudar a descubrir efectos físicos inesperados o correlaciones en grandes conjuntos de datos experimentales. "La compresión inteligente de datos basada en IA es una herramienta muy poderosa, no sólo en la ciencia de los fotones", afirma Hartmann.
Ahora plug and play
En total, Hartmann y su equipo emplearon tres años en desarrollar el software. "Pero ahora es más o menos plug and play. Esperamos que pronto vengan muchos colegas con sus datos y podamos ayudarles".
Nota: Este artículo ha sido traducido utilizando un sistema informático sin intervención humana. LUMITOS ofrece estas traducciones automáticas para presentar una gama más amplia de noticias de actualidad. Como este artículo ha sido traducido con traducción automática, es posible que contenga errores de vocabulario, sintaxis o gramática. El artículo original en Inglés se puede encontrar aquí.
Publicación original
Gregor Hartmann, Gesa Goetzke, Stefan Düsterer, Peter FeuerForson, Fabiano Lever, David Meier, Felix Möller, Luis Vera Ramirez, Markus Guehr, Kai Tiedtke, Jens Viefhaus & Markus Braune; Unsupervised realworld knowledge extraction via disentangled variational autoencoders for photon diagnostics; Scientific Reports (2022)
Más noticias del departamento ciencias
