– Автономните микроскопи вдъхновяват пробиви в нови материали

10 май 2022 г

Интуитивен алгоритъм отваря достъп до неизследвани досега материали, използвани в енергийните технологии, сензорите и изчисленията.

Изследователи от Националната лаборатория на Оук Ридж на Министерството на енергетиката учат микроскопите да управляват открития с интуитивен алгоритъм, разработен в Центъра за наука за нанофазни материали на лабораторията, който може да ръководи пробивите в нови материали.

„Има толкова много потенциални материали, някои от които изобщо не можем да изучаваме с конвенционални инструменти, които изискват по-ефективни и систематични подходи за проектиране и синтез“, каза Максим Зятдинов от отдел „Наука и технологии“. ИТ инженерство от ORNL и CNMS.

„Можем да използваме интелигентна автоматизация за достъп до неизследвани материали и да създадем споделен, повтарящ се път към открития, които не са били възможни преди.“

Подходът, публикуван в Nature Machine Intelligence, съчетава физика и машинно обучение за автоматизиране на експерименти с микроскопия, предназначени да изучават функционалните свойства на материалите в наномащаб.

Функционалните материали реагират на стимули като топлина или електричество и са предназначени да поддържат ежедневни и нововъзникващи технологии, вариращи от компютри и слънчеви клетки до изкуствени мускули и материали с памет на формата. Техните уникални свойства са свързани с атомни структури и микроструктури, които могат да бъдат наблюдавани с усъвършенствана микроскопия. Предизвикателството обаче е да се разработят ефективни начини за локализиране на региони от интерес, където тези свойства се появяват и могат да бъдат проучени.

Сканиращата сондова микроскопия е основен инструмент за изследване на връзките структура-свойство във функционалните материали. Инструментите сканират повърхността на материалите с атомно остра сонда, за да картографират структурата в нанометров мащаб – дължина една милиардна от метъра. Те могат също така да откриват реакции на редица стимули, предоставяйки представа за основните механизми на превключване на поляризация, електрохимична реактивност, пластична деформация или квантови явления.

Днешните микроскопи могат да извършват сканиране точка по точка на квадратна нанометрова мрежа, но процесът може да бъде изключително бавен, като измерванията се събират в продължение на няколко дни за един материал.

„Физическите явления, представляващи интерес, често се проявяват само в малък брой пространствени местоположения и са свързани със специфични, но неизвестни структурни елементи. Откриването, ефективното идентифициране на тези региони, представляващи интерес, е основна пречка“, каза бившият учен от ORNL CNMS и старши автор Сергей Калинин, сега в университета на Тенеси, Ноксвил.

“Нашата цел е да научим микроскопите да търсят активно и много по-ефективно региони с интересна физика, отколкото търсене по мрежа.”

Учените са се обърнали към машинното обучение и изкуствения интелект, за да преодолеят това предизвикателство, но конвенционалните алгоритми изискват големи набори от данни, кодирани от човека и може да не спестят време в крайна сметка.

За по-интелигентен подход към автоматизацията, работният процес на ORNL интегрира човешкото физическо разсъждение в методите за машинно обучение и използва много малки набори от данни – изображения, получени от по-малко от един процент от данните.извадка – като отправна точка. Алгоритъмът избира точки на интерес въз основа на това, което научава по време на опита и знанията извън опита.

Като доказателство за концепцията беше демонстриран работен процес с помощта на сканираща сонда микроскопия и приложен към добре проучени фероелектрични материали. Фероелектриците са функционални материали с преориентируем повърхностен заряд, които могат да бъдат използвани за изчислителни, задействащи и сензорни приложения.

Учените искат да разберат връзката между количеството енергия или информация, които тези материали могат да съхраняват, и локалната структура на домейна, управляваща това свойство. Автоматизираният експеримент открива специфичните топологични дефекти, за които тези параметри са оптимизирани.

„Изводът е, че работният процес беше приложен към хардуерни системи, познати на изследователската общност, и направи фундаментално откритие, нещо неизвестно преди, много бързо – в този случай в рамките на часове“, каза Зятдинов.

Резултатите бяха по-бързи – с порядък – от конвенционалните работни процеси и представляват нова посока в интелигентната автоматизация.

„Искахме да се отдалечим от обучението на компютрите изключително върху данни от предишни експерименти и вместо това да научим компютрите да мислят като изследователи и да учат в движение“, каза Зятдинов. „Нашият подход е вдъхновен от човешката интуиция и признава, че много материални открития са направени чрез опити и грешки на изследователи, които разчитат на своя експертен опит и опит, за да отгатнат къде да търсят.“

Yongtao Liu от ORNL беше отговорен за техническото предизвикателство за стартиране на алгоритъма на оперативен микроскоп в CNMS. „Това не е готова възможност и много работа отива за свързването на хардуера и софтуера“, каза Лиу.

„Фокусирахме се върху микроскопията със сканираща сонда, но настройката може да се приложи към други експериментални подходи към изобразяване и спектроскопия, достъпни за по-широка потребителска общност.“


.

Add Comment