Исследователи из Национальной лаборатории Ок-Риджа Министерства энергетики обучают микроскопы делать открытия с помощью интуитивно понятного алгоритма, разработанного в Центре наук о нанофазных материалах лаборатории, который может способствовать прорывам в новых материалах для энергетических технологий, датчиков и вычислений.
«Существует так много потенциальных материалов, некоторые из которых мы вообще не можем изучать с помощью обычных инструментов, которые нуждаются в более эффективных и систематических подходах к проектированию и синтезу», — сказал Максим Зиатдинов из отдела вычислительных наук и инженерии ORNL и CNMS. «Мы можем использовать интеллектуальную автоматизацию для доступа к неизведанным материалам, а также создать общий воспроизводимый путь к открытиям, которые ранее были невозможны».
Подход, опубликованный в журнале Nature Machine Intelligence, сочетает физику и машинное обучение для автоматизации экспериментов по микроскопии, предназначенных для изучения функциональных свойств материалов на наноуровне.
Функциональные материалы реагируют на такие раздражители, как тепло или электричество, и предназначены для поддержки как повседневных, так и новых технологий, от компьютеров и солнечных батарей до искусственных мышц и материалов с памятью формы. Их уникальные свойства связаны с атомными структурами и микроструктурами, которые можно наблюдать с помощью современной микроскопии. Однако задача заключалась в том, чтобы разработать эффективные способы определения местоположения интересующих областей, в которых эти свойства проявляются и могут быть исследованы.
Сканирующая зондовая микроскопия является важным инструментом для изучения взаимосвязей структура-свойство в функциональных материалах. Приборы сканируют поверхность материалов атомарно-острым зондом, чтобы составить карту структуры в нанометровом масштабе — длиной в одну миллиардную часть метра. Они также могут обнаруживать реакции на ряд раздражителей, обеспечивая понимание фундаментальных механизмов переключения поляризации, электрохимической реактивности, пластической деформации или квантовых явлений. Современные микроскопы могут выполнять точечное сканирование нанометровой квадратной сетки, но этот процесс может быть кропотливо медленным, поскольку измерения для одного материала собираются в течение нескольких дней.
«Интересные физические явления часто проявляются только в небольшом числе пространственных мест и связаны с определенными, но неизвестными структурными элементами. Хотя мы обычно имеем представление о том, какими будут характерные черты физических явлений, которые мы стремимся обнаружить, точно определяя эти области Эффективный интерес является основным узким местом», — сказал бывший научный сотрудник ORNL CNMS и ведущий автор Сергей Калинин, который сейчас работает в Университете Теннесси в Ноксвилле. «Наша цель — научить микроскопы активно искать области с интересной физикой гораздо более эффективным способом, чем поиск по сетке».
Ученые обратились к машинному обучению и искусственному интеллекту , чтобы решить эту проблему, но обычные алгоритмы требуют больших наборов данных, закодированных человеком, и в конечном итоге могут не сэкономить время.
Для более разумного подхода к автоматизации рабочий процесс ORNL включает физические рассуждения человека в методы машинного обучения и использует в качестве отправной точки очень небольшие наборы данных — изображения, полученные менее чем из 1% выборки. Алгоритм выбирает точки интереса, основываясь на том, что он узнал в ходе эксперимента, и на знаниях извне.
В качестве доказательства концепции рабочий процесс был продемонстрирован с использованием сканирующей зондовой микроскопии и применен к хорошо изученным сегнетоэлектрическим материалам. Сегнетоэлектрики — это функциональные материалы с переориентируемым поверхностным зарядом, которые можно использовать для вычислений, приведения в действие и датчиков. Ученые заинтересованы в понимании связи между количеством энергии или информации, которые эти материалы могут хранить, и локальной доменной структурой, управляющей этим свойством. Автоматизированный эксперимент обнаружил специфические топологические дефекты, для которых оптимизированы эти параметры.
«Вывод заключается в том, что рабочий процесс был применен к материальным системам, знакомым исследовательскому сообществу, и очень быстро сделал фундаментальное открытие, что-то ранее неизвестное — в данном случае в течение нескольких часов», — сказал Зиатдинов.
Результаты были быстрее — на порядки — чем обычные рабочие процессы, и представляют собой новое направление в интеллектуальной автоматизации.
«Мы хотели отказаться от обучения компьютеров исключительно на данных предыдущих экспериментов и вместо этого научить компьютеры думать как исследователи и учиться на лету», — сказал Зиатдинов. «Наш подход основан на человеческой интуиции и признает, что многие важные открытия были сделаны путем проб и ошибок исследователей, которые полагаются на свои знания и опыт, чтобы угадать, где искать».
Юнтао Лю из ORNL отвечал за техническую задачу по запуску алгоритма на операционном микроскопе в CNMS. «Это не готовая возможность, и для подключения аппаратного и программного обеспечения требуется много работы», — сказал Лю. «Мы сосредоточились на сканирующей зондовой микроскопии , но установка может быть применена к другим экспериментальным подходам к визуализации и спектроскопии, доступным для более широкого сообщества пользователей».
Журнальная статья опубликована как «Экспериментальное открытие взаимосвязей структура-свойство в сегнетоэлектрических материалах посредством активного обучения».
Теги: автоматизация, ИИ, квант, микроэлектроника
