23. Mai 2023
Bei der Neutronenspektroskopie werden Neutronen auf Materialproben geleitet und danach von Detektoren aufgefangen und ausgewertet. Ein Teil der Neutronen wird an den Atomen der Probe gestreut, ein Teil durchdringt die Probe ohne Wechselwirkung. Nur die gestreuten Neutronen enthalten Informationen, zum Beispiel, wieviel Energie die Neutronen durch den Streuprozess aufgenommen oder verloren haben. Die anderen Neutronen erzeugen das so genannte „Rauschen“. Um möglichst wenig Zeit für die Messung von Rauschsignalen zu verschwenden, werden in einem ersten Schritt Messungen anhand eines groben Rasters durchgeführt, bei dem die Messpunkte gleichmäßig verteilt sind. Im Anschluss nimmt der Algorithmus seine eigentliche Arbeit auf und identifiziert mit diesen initialen Daten Bereiche, in welchen weitere Messungen sinnvoll sind. Mit jedem weiteren Messpunkt ergänzt der Algorithmus fortwährend seine eigene Datenbasis und entscheidet dann autonom über die nächste Messposition. Aufgrund dieser Rückkopplungsschleife bezeichnet man diesen Ansatz auch als „selbstlernend“.
Neutronen ermöglichen einzigartige Einblicke in die Struktur und Dynamik von Materie. Dafür sind Großforschungsanlagen notwendig, entweder Forschungsreaktoren oder bestimmte Teilchenbeschleuniger. Die Zahl der verfügbaren Anlagen in Europa deckt seit Jahren nicht den Bedarf der Forschung ab. Messzeit mit Neutronen ist somit knapp und wertvoll. Verfahren zur Effizienzsteigerung können helfen, die vorhandenen Kapazitäten besser zu nutzen und die entstehenden Lücken zu verkleinern.
Die Forschenden demonstrierten die Vorteile ihres Ansatzes an einem realen Neutronenexperiment, an bereits gemessenen sowie an zahlreichen künstlichen Datensätzen. Sie konnten zeigen, dass die verfügbare Messzeit damit effizienter im Vergleich zu bestimmten bisherigen Methoden genutzt werden konnte. Kern des selbstlernenden Algorithmus ist eine mathematische Verteilung, die Gauß-Kurve. Sie beschreibt eine statistische Verteilung von Daten in Form einer Glockenkurve. Die Forschenden nutzen diese, um gezielt Bereiche mit informativen Signalen zu finden. Weitere mathematische „Tricks“ erlauben, Bereiche mit sowohl starken als auch schwachen Signalen zu identifizieren und sie von Rauschsignalen zu unterscheiden.
Das kurze Video vergleicht zwei Messansätze: Links die Verteilung der Messpunkte rein nach einem schematischen Gitteransatz, rechts die selbstlernende Messmethode, bei der kaum Messpunkte im Bereich des Rauschens liegen. (Copyright: Forschungszentrum Jülich)
Teixeira Parente, M., Brandl, G., Franz, C. et al.
Active learning-assisted neutron spectroscopy with log-Gaussian processes.
Nat Commun 14, 2246 (2023). https://doi.org/10.1038/s41467-023-37418-8
