16.01.2020

Neuer Algorithmus wertet physikalische Messdaten aus

Künstliche Intelligenz hilft Forschern Datenfülle zu bewältigen: Physiker der Universität Tübingen entwickeln Methode, die Messungen in der Röntgenreflektometrie erleichtert

„Big Data“ sind in Zukunft eine zunehmende Herausforderung für die Forschung, auch in der Physik. Eine Forschungsgruppe der Universität Tübingen unter Leitung von Frank Schreiber, Professor für Physik der molekularen und biologischen Materie, hat deshalb eine auf neuronalen Netzen basierende künstliche Intelligenz entwickelt, die physikalische Messdaten der Röntgenreflektometrie automatisch auswertet. Die Ergebnisse wurden im Fachmagazin Journal of Applied Crystallography veröffentlicht.

Der Begriff „Big Data“ bezeichnet die rasant wachsenden Datenmengen, die unsere digitalisierte Gesellschaft in vielen Bereichen des Lebens produziert. Der Informationsreichtum dieser Daten bringt Fortschritt und zugleich Herausforderungen mit sich: So erzeugen beispielsweise moderne Detektoren und automatisierte Messtechniken in Forschungsfeldern wie der Physik große Mengen wertvoller Messdaten. Für einzelne Forscherinnen und Forscher ist es oft nicht mehr möglich, solche Messdaten von Hand durchzusehen.

Um die wichtigen Informationen aus diesen riesigen Datenschätzen bergen zu können, hatte sich das Team um Frank Schreiber mit Forschern der Humboldt-Universität zu Berlin und der Bundesanstalt für Materialforschung und -prüfung zusammengeschlossen. In Kooperation entwickelten sie einen intelligenten Algorithmus, der Röntgenreflektometrie-Messungen dünner Filme selbstständig analysieren und deren Dicke, Rauigkeit und Dichte bestimmen kann. Diese Oberflächen-Messmethode ist wichtig für die Erforschung von Materialien wie sie zum Beispiel in modernen Bildschirmen zum Einsatz kommen. Allerdings ist die konventionelle Analyse dieser Daten bislang kompliziert und erfordert viel Zeit und Expertenwissen.

Dies soll sich mit dem neuen Algorithmus ändern. „Zunächst wird die künstlichen Intelligenz mit simulierten, aber realitätsnahen Messdaten trainiert“, erklärt Schreiber. „Dadurch lernt sie, was für Informationen in den Messungen stecken.“ Danach könne sie dann auf neue Messungen angewandt werden, um eben diese Informationen automatisch zu extrahieren. Der Algorithmus ist dabei mehr als 1000-mal schneller als die Auswertung von Hand.

Durch diese Automatisierung wird den Forscherinnen und Forschern nicht nur wichtige Zeit erspart, sondern es wird künftig möglich sein, Ergebnisse direkt nach oder sogar in Echtzeit während der Messung zu erhalten. So können beispielsweise informationsarme Messungen direkt identifiziert und aussortiert werden, um die gespeicherten Messdaten auf das Wichtigste zu reduzieren. „Der erfolgreiche Einsatz von KI für Röntgenreflektometrie war für uns ein erster Vorstoß. In Zukunft möchten wir unser System auch auf ähnliche, aber deutlich komplexere Messmethoden ausweiten“, sagt der Physiker.

Alessandro Greco

Publikation:

A. Greco, V. Starostin, C. Karapanagiotis, A. Hinderhofer, A. Gerlach, L. Pithan, S. Liehr, F. Schreiber and  S. Kowarik. Fast fitting of reflectivity data of growing thin films using neural networks. Journal of Applied Crystallography (2019). 52, 1342-1347,  https://doi.org/10.1107/S1600576719013311

Kontakt: 

Prof. Frank Schreiber
Universität Tübingen
Institut für Angewandte Physik
+49 7071 29-78663
frank.schreiberspam prevention@uni-tuebingen.de