Lieselotte Templeton-Preis 2022 – Noah Nachtigall

Noah Nachtigall, Gewinner des Lieselotte Templeton-Preises.

Noah Nachtigall, Gewinner des Lieselotte Templeton-Preises.

Gratulation, Noah! Er hat den kürzlich etablierten Lieselotte Templeton-Preis gewonnen, für seine Masterarbeit mit dem Titel Verbesserung von Algorithmen zur multidimensionaler Datenreduktion und -analyse für POWTEX: Rohdatenkorrektur mit Pseudo-Voigt-Back-to-Back-Exponenten, Ereigniskorrelationsmethoden und Rietveld-Verfeinerung gestützt durch maschinelles Lernen. Noah begann bereits vor seiner Bachelorarbeit in der POWTEX-Gruppe von Prof. Richard Dronskowski zu arbeiten und simulierte Neutronenleiter. Er absolvierte sein Bachelorstudium, ein Forschungspraktikum und sein Masterstudium in der POWTEX-Gruppe und bearbeitete verschiedene Teilprojekte [1]. Zusätzlich sammelte er in der Gruppe von Prof. Ulli Englert praktische Erfahrungen in der Beugung [2, 3]. Während seiner Masterarbeit und seiner Doktorarbeit wurde das maschinelle Lernen zu einem zentralen Thema seines Interesses.

Bitte beschreib, was du während deiner Masterarbeit gemacht hast?

Zusammenfassung der Masterarbeit. Leichterer Zugang zur POWTEX Datananalyse (Instrumentenparametrisierung und Rietveldverfeinerung der 2D-Datensätze) durch die Nutzung von maschinellem Lernen.

Es ist schwierig, alles in wenigen Worten zusammenzufassen – verschiedene Themen, viele experimentelle Projekte, die aber alle mehr oder weniger mit dem zukünftigen Hochintensitäts-Neutronenpulverdiffraktometer POWTEX zusammenhängen.

Es kann in drei Hauptthemen aufgeteilt werden: Datenreduktion, Ereigniskorrelation und maschinelles Lernen. Ich war an der Optimierung des POWTEX-spezifischen Datenreduktionsverfahrens beteiligt und implementierte eine neue Profilformfunktion, um die Asymmetrie der Neutronenquelle angemessen zu berücksichtigen. Während dieser Arbeit hatten wir die Idee für einen neuen experimentellen Ansatz, um alle Möglichkeiten des Detektors weiter auszuschöpfen – die Ereigniskorrelation. Dabei wird die einzigartige Vierdimensionalität (x, y, z und Zeit) des Detektors genutzt, um partielle Neutronenflugbahnen zu rekonstruieren und Neutronenereignisse zu identifizieren, die nicht aus der Probe stammen. Ich habe erste vorläufige Ergebnisse dieser Methode als Beweis für das Konzept entwickelt.

Beobachtete (schwarz) und berechente Intensitäten einer Rietveldverfeinerung, durchgeführt von einem Menschen (blau) bzw. einer AI (rot). Die resultierenden R-Werte liegen bei 10.66 bzw. 10.30.

Beobachtete (schwarz) und berechente Intensitäten einer Rietveldverfeinerung, durchgeführt von einem Menschen )blau) und einer AI (rot).

Ein Hauptziel der Implementierung des maschinellen Lernens in unseren Arbeitsablauf ist es, die Einstiegshürde für neue Nutzer in die Beugungsanalyse mit den zunehmend komplexen – und informationsreichen – Datensätzen, die von Instrumenten der nächsten Generation wie POWTEX erzeugt werden, zu senken. In meiner Diplomarbeit habe ich eine Schnittstelle zwischen einem maschinellen Lernalgorithmus und der Beugungsanalysesoftware GSAS II entwickelt.

Ich vermute, dass du viel programmiert hast. Wer oder Was war deine Quietscheentchen?

Quietscheentchen-Debugging

Vielleicht keine richtiges Quietscheentchen, aber es macht mir wirklich Spaß, mit meinem Vater (Prof. Klaus Nachtigall) über meine wissenschaftlichen Fortschritte zu sprechen. Er hat (nach eigenem Bekunden!) wenig Ahnung von Chemie und ist nicht so sehr mit Kodierung beschäftigt. Wenn ich also meine Arbeit präsentieren muss, ohne auf jedes technische Detail einzugehen, hilft er mir, Ungereimtheiten zu finden, ähnlich wie beim Rubber Ducking.

Was war dein größter Durchbruch während deiner Abschlussarbeit?

Mein größter Durchbruch war wahrscheinlich weniger eine spezifische wissenschaftliche Leistung als vielmehr der persönliche Fortschritt, den ich während der Masterarbeit gemacht habe. Ich bin mit einem sehr rudimentären Verständnis von maschinellem Lernen in die Masterarbeit gegangen und kann nun auf meinem neu erworbenen Wissen für zukünftige wissenschaftliche Arbeiten aufbauen. In dieser Hinsicht ist die Masterarbeit selbst der größte „Durchbruch“.

Hast du Vorlesungen zum Thema maschinelles Lernen besucht?

Ich verfolgte die DeepMind x UCL RL Lecture Series auf Youtube von Hado van Hasselt über Reinforcement Learning. Ich habe mich auch mit A practical introduction to GNNs von Daniele Grattarola über Graph Neural Networks vertraut gemacht. Erwähnenswert ist auch der Workshop Do Research Like a Munchkin, den ich besucht habe. Obwohl es hier nicht ausschließlich um maschinelles Lernen geht, gibt es eine enge Verbindung zu den Themen Clean Coding und Agile Project Management.

Literatur

  1. A. Houben, P. Jacobs, Y. Meinerzhagen, N. Nachtigall, R. Dronskowski: POWTEX visits POWGEN, 10.48550/arXiv.2110.12767
  2. S. van Terwingen, N. Nachtigall, B. Ebel, U. Englert: N-Donor-Functionalized Acetylacetones for Heterobimetallic Coordination Polymers, the Next Episode: Trimethylpyrazoles, Cryst. Growth Des. 21(5) 2962 (2021) 10.1021/acs.cgd.1c00122
  3. S. van Terwingen, N. Nachtigall, U. Englert: Synthesis and coordination to the coinage metals of a trimethylpyrazolyl substituted 3-arylacetylacetone, Z. Kristallogr. 10.1515/zkri-2021-2059
Dieser Beitrag wurde unter AK-Junge-Kristallographie, Allgemein, Auszeichnungen der DGK abgelegt und mit , , , verschlagwortet. Setze ein Lesezeichen auf den Permalink.