Effizienzsteigerung durch autonome "closed-loop" Synchrotron- und Neutronenstreuexperimente durch maschinelles Lernen

• Antragsteller: Professor Dr. Frank Schreiber
• Fachliche Zuordnung: Experimentelle Physik der kondensierten Materie ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 566291308

In den letzten 10 Jahren haben Fortschritte bei Synchrotron- und Neutronenstreuexperimenten zu noch nie dagewesenen Möglichkeiten geführt, einschließlich Echtzeit- und In-Operando-Studien mit hoher räumlicher und zeitlicher Auflösung. Dieser Fortschritt, der durch die verbesserte Brillanz der Quellen und schnellere Detektoren, die Daten mit GB/s bis TB/s erzeugen, vor-angetrieben wurde, hat die traditionellen, vom Menschen gesteuerten experimentellen Strategien und Analysetools überholt, was zu Ineffizienz bei der Strahlzeit und der Nutzung der Energieressourcen geführt hat. In Anbetracht des Energieverbrauchs von Großanlagen, z.B. 44 GWh/Jahr bei PETRA III, ist die Optimierung der wissenschaftlichen Effizienz wichtig. Dieser Antrag widmet sich dem durch die Integration von maschinellem Lernen (ML) für autonome Closed-Loop-Experimentierstrategien in Synchrotron- und Neutronenexperimenten. ML wird Datenanalyse, Rückkopplung und Entscheidungen nahezu in Echtzeit ermöglichen, was die Effizienz der Ressourcennutzung erhöht und die Arbeitsbelastung verringert. Durch den Über-gang von der traditionellen Datenanalyse zur Experimentsteuerung werden ML-Methoden autonome Experimente ermöglichen, bei denen dynamische Scans, sparse sampling und adaptive Rückkopplungssysteme zur Optimierung der Ergebnisse eingesetzt werden. Dies wird dazu bei-tragen, die Ressourceneffizienz bzgl. Energieverbrauch, Personaleinsatz (inkl. geringerer Reisen) und Strahlzeitnutzung inkl. CO2-Fußabdruck zu verbessern. Unser Projekt zielt zunächst auf die Entwicklung von Lösungen für 2 spezifische Anwendungen ab: Oberflächenstreuung (XRR, NR, GIWAXS) und Korrelationsspektroskopie (XPCS). Bei diesen hat sich ML als vielversprechend für die Extraktion von Parametern, die Rauschunterdrückung, die Klassifizierung und die automatische Steuerung erwiesen. Dennoch sind große Anstrengung-en erforderlich, um diese Lösungen in großem Umfang einzusetzen und eine Echtzeit-Optimierung zu erreichen. Darauf aufbauend wollen wir die Lösungen auf andere Anwendungen verallgemeinern und den Transfer von Closed-Loop-Methoden für Synchrotron- und Neutronenexperimente innerhalb der community erleichtern. Dies beinhaltet die Anpassung von Software-Frameworks, um Kompatibilität und Interoperabilität zwischen verschiedenen Quellen zu gewährleisten. Durch die Entwicklung modularer, skalierbarer Systeme und die Integration von Lösungen in bestehende Kontrollsysteme wie BlueSky und BLISS wird das Projekt eine breite Akzeptanz und Implementierung fördern. Diese ehrgeizige, auf 4 Jahre angelegte Initiative wird auf unserer soliden Vorarbeit und dem großen Netzwerk von Partnern aufbauen. Es dient als Pilotprojekt für breitere Anwendungen und wird Arbeitsabläufe verallgemeinern, um andere Techniken und Einrichtungen zu berücksichtigen und die Grundlage für Fortschritte bei autonomen Experimenten und ressourceneffizienter Forschung zu schaffen.

• DFG-Verfahren: Weitere Gerätebezogene Förderung