I ricercatori dell’Oak Ridge National Laboratory del Dipartimento dell’Energia stanno insegnando ai microscopi per guidare le scoperte con un algoritmo intuitivo, sviluppato presso il Center for Nanophase Materials Sciences del laboratorio, che potrebbe guidare le innovazioni nei nuovi materiali per le tecnologie energetiche, il rilevamento e l’informatica.

“Ci sono così tanti potenziali materiali, alcuni dei quali non possiamo affatto studiare con gli strumenti convenzionali, che necessitano di approcci più efficienti e sistematici per la progettazione e la sintesi”, ha affermato Maxim Ziatdinov della divisione di scienze e ingegneria computazionale dell’ORNL e del CNMS. “Possiamo utilizzare l’automazione intelligente per accedere a materiali inesplorati e creare un percorso condivisibile e riproducibile verso scoperte che prima non erano state possibili”.

L’approccio,  pubblicato su  Nature Machine Intelligence , combina fisica e apprendimento automatico per automatizzare esperimenti di microscopia progettati per studiare le proprietà funzionali dei materiali su scala nanometrica.

I materiali funzionali rispondono a stimoli come il calore o l’elettricità e sono progettati per supportare sia le tecnologie quotidiane che quelle emergenti, che vanno dai computer e dalle celle solari ai muscoli artificiali e ai materiali a memoria di forma. Le loro proprietà uniche sono legate a strutture e microstrutture atomiche che possono essere osservate con la microscopia avanzata. Tuttavia, la sfida è stata quella di sviluppare metodi efficienti per localizzare le regioni di interesse in cui queste proprietà emergono e possono essere studiate.

La microscopia a scansione di sonda è uno strumento essenziale per esplorare le relazioni struttura-proprietà nei materiali funzionali. Gli strumenti scansionano la superficie dei materiali con una sonda atomicamente affilata per mappare la struttura su scala nanometrica, la lunghezza di un miliardesimo di metro. Possono anche rilevare le risposte a una serie di stimoli, fornendo informazioni sui meccanismi fondamentali di commutazione della polarizzazione, reattività elettrochimica, deformazione plastica o fenomeni quantistici. I microscopi odierni possono eseguire una scansione punto per punto di una griglia quadrata di nanometri, ma il processo può essere faticosamente lento, con misurazioni raccolte in giorni per un singolo materiale.

“I fenomeni fisici interessanti si manifestano spesso solo in un numero ristretto di luoghi spaziali e sono legati a elementi strutturali specifici ma sconosciuti. Sebbene in genere abbiamo un’idea di quali saranno le caratteristiche dei fenomeni fisici che miriamo a scoprire, individuare queste regioni di interesse in modo efficiente è un grosso collo di bottiglia”, ha affermato l’ex scienziato ORNL CNMS e autore principale Sergei Kalinin, ora all’Università del Tennessee , Knoxville. “Il nostro obiettivo è insegnare ai microscopi a cercare regioni con una fisica interessante in modo attivo e in un modo molto più efficiente rispetto all’esecuzione di una ricerca sulla griglia”.

Gli scienziati si sono rivolti all’apprendimento automatico e all’intelligenza artificiale per superare questa sfida, ma gli algoritmi convenzionali richiedono grandi set di dati codificati dall’uomo e alla fine potrebbero non far risparmiare tempo.

Per un approccio più intelligente all’automazione, il flusso di lavoro ORNL incorpora il ragionamento fisico basato sull’uomo nei metodi di apprendimento automatico e utilizza set di dati molto piccoli, ovvero immagini acquisite da meno dell’1% del campione, come punto di partenza. L’algoritmo seleziona i punti di interesse in base a ciò che apprende all’interno dell’esperimento e alla conoscenza dall’esterno dell’esperimento.

Come prova di concetto, è stato dimostrato un flusso di lavoro utilizzando la microscopia a scansione di sonda e applicato a materiali ferroelettrici ben studiati. I ferroelettrici sono materiali funzionali con una carica superficiale riorientabile che può essere sfruttata per applicazioni di calcolo, attuazione e rilevamento. Gli scienziati sono interessati a comprendere il legame tra la quantità di energia o informazioni che questi materiali possono immagazzinare e la struttura del dominio locale che governa questa proprietà. L’esperimento automatizzato ha scoperto i difetti topologici specifici per i quali questi parametri sono ottimizzati.

“Il punto è che il flusso di lavoro è stato applicato a sistemi materiali familiari alla comunità di ricerca e ha fatto una scoperta fondamentale, qualcosa che non era noto in precedenza, molto rapidamente, in questo caso, entro poche ore”, ha affermato Ziatdinov.

I risultati sono stati più rapidi, per ordini di grandezza, rispetto ai flussi di lavoro convenzionali e rappresentano una nuova direzione nell’automazione intelligente.

“Volevamo allontanarci dall’addestramento dei computer esclusivamente sui dati di esperimenti precedenti e invece insegnare ai computer come pensare come i ricercatori e imparare al volo”, ha affermato Ziatdinov. “Il nostro approccio è ispirato dall’intuizione umana e riconosce che molte scoperte materiali sono state fatte attraverso tentativi ed errori di ricercatori che si affidano alla loro competenza ed esperienza per indovinare dove cercare”.

Yongtao Liu di ORNL è stato responsabile della sfida tecnica di far funzionare l’algoritmo su un microscopio operativo al CNMS. “Questa non è una funzionalità standard e molto lavoro è necessario per collegare l’hardware e il software”, ha affermato Liu. “Ci siamo concentrati sulla microscopia a scansione di sonda, ma la configurazione può essere applicata ad altri approcci sperimentali di imaging e spettroscopia accessibili alla più ampia comunità di utenti”.

L’articolo di giornale è pubblicato come “Scoperta sperimentale delle relazioni struttura-proprietà nei materiali ferroelettrici tramite l’apprendimento attivo”.

Il lavoro è stato supportato dal CNMS, che è una struttura utente del DOE Office of Science, e dal Center for 3D Ferroelectric Microelectronics, che è un Energy Frontier Research Center guidato dalla Pennsylvania State University e supportato dal DOE Office of Science.

Di ihal

Utilizzando il sito, accetti l'utilizzo dei cookie da parte nostra. maggiori informazioni

Questo sito utilizza i cookie per fornire la migliore esperienza di navigazione possibile. Continuando a utilizzare questo sito senza modificare le impostazioni dei cookie o cliccando su "Accetta" permetti il loro utilizzo.

Chiudi