Искусственный интеллект открывает новые наноструктуры
|
Ученые из Брукхейвенской национальной лаборатории Министерства энергетики США (DOE) успешно продемонстрировали, что автономные методы могут открывать новые материалы. Техника, основанная на искусственном интеллекте (ИИ), привела к открытию трех новых наноструктур, в том числе первой в своем роде наноразмерной «лестницы». Исследование было опубликовано сегодня в журнале Science Advances. Недавно обнаруженные структуры были сформированы в процессе, называемом самосборкой, в котором молекулы материала организуются в уникальные узоры. Ученые из Брукхейвенского центра функциональных наноматериалов (CFN) являются экспертами в управлении процессом самосборки, создании шаблонов материалов для формирования желаемых механизмов для приложений в микроэлектронике, катализе и многом другом. Их открытие наноразмерной лестницы и других новых структур еще больше расширяет область применения самосборки. |
«Самосборка может быть использована в качестве метода создания нанопаттернов, что является движущей силой для достижений в области микроэлектроники и компьютерного оборудования», — сказал ученый CFN и соавтор Грегори Доерк. «Эти технологии всегда стремятся к более высокому разрешению с использованием меньших наноструктур. Вы можете получить очень маленькие и строго контролируемые элементы из самособирающихся материалов, но они не обязательно подчиняются тем правилам, которые мы устанавливаем, например, для схем. самосборки с использованием шаблона, мы можем формировать более полезные шаблоны». |
Штатные ученые из CFN, который является пользовательским центром Министерства энергетики США, стремятся создать библиотеку самособирающихся типов наноструктур для расширения их приложений. В предыдущих исследованиях они продемонстрировали, что новые типы узоров становятся возможными благодаря смешиванию двух самособирающихся материалов. |
«Тот факт, что теперь мы можем создать лестничную структуру, о которой раньше никто и не мечтал, просто удивителен», — сказал руководитель группы CFN и соавтор Кевин Ягер. «Традиционная самосборка может формировать только относительно простые структуры, такие как цилиндры, листы и сферы. Но, смешивая два материала вместе и используя только подходящую химическую решетку, мы обнаружили, что возможны совершенно новые структуры». |
Смешивание самособирающихся материалов вместе позволило ученым CFN открыть уникальные структуры, но также создало новые проблемы. Поскольку в процессе самосборки нужно контролировать гораздо больше параметров, найти правильную комбинацию параметров для создания новых и полезных структур — это битва со временем. Чтобы ускорить свои исследования, ученые CFN использовали новую возможность ИИ: автономные эксперименты. |
В сотрудничестве с Центром передовой математики для приложений энергетических исследований (CAMERA) в Национальной лаборатории Министерства энергетики США Лоуренса в Беркли, учеными Брукхейвена из CFN и Национальным источником синхротронного света II (NSLS-II), еще одним учреждением для пользователей Управления науки Министерства энергетики в Брукхейвенской лаборатории. разрабатывают структуру искусственного интеллекта, которая может автономно определять и выполнять все этапы эксперимента. Алгоритм gpCAM CAMERA управляет автономным принятием решений фреймворком. Последнее исследование является первой успешной демонстрацией способности алгоритма обнаруживать новые материалы. |
«gpCAM — это гибкий алгоритм и программное обеспечение для автономных экспериментов», — сказал ученый из лаборатории Беркли и соавтор Маркус Ноак. «В этом исследовании он был использован особенно изобретательно для автономного изучения различных особенностей модели». «С помощью наших коллег из Berkeley Lab у нас было готово это программное обеспечение и методология, и теперь мы успешно использовали их для открытия новых материалов», — сказал Ягер. «Теперь мы достаточно узнали об автономной науке, чтобы взять проблему материалов и довольно легко преобразовать ее в автономную проблему». |
Чтобы ускорить обнаружение материалов с помощью своего нового алгоритма, команда сначала разработала сложный образец со спектром свойств для анализа. Исследователи изготовили образец с использованием установки нанопроизводства CFN и провели самосборку в установке синтеза материала CFN. «Способ изучения материалов старой школы состоит в том, чтобы синтезировать образец, измерить его, извлечь из него уроки, а затем вернуться назад, сделать другой образец и продолжать повторять этот процесс», — сказал Ягер. «Вместо этого мы сделали образец с градиентом каждого интересующего нас параметра. Таким образом, этот единственный образец представляет собой обширную коллекцию множества различных материальных структур». |
Затем команда доставила образец на NSLS-II, который генерирует сверхяркие рентгеновские лучи для изучения структуры материалов. CFN управляет тремя экспериментальными станциями в партнерстве с NSLS-II, одна из которых использовалась в этом исследовании, лучевая линия Soft Matter Interfaces (SMI). «Одной из сильных сторон линии луча SMI является ее способность фокусировать рентгеновский луч на образце с точностью до микрона», — сказал ученый NSLS-II и соавтор Маса Фукуто. «Анализируя, как эти микропучки рентгеновских лучей рассеиваются материалом, мы узнаем о локальной структуре материала в освещенном пятне. Измерения во многих разных точках могут затем показать, как локальная структура меняется в градиентном образце. В этой работе мы позвольте алгоритму искусственного интеллекта на лету выбрать, какое место следует измерить дальше, чтобы максимизировать ценность каждого измерения». |
Поскольку образец был измерен на линии луча SMI, алгоритм без вмешательства человека создал модель из многочисленного и разнообразного набора структур материала. Модель обновлялась при каждом последующем рентгеновском измерении, делая каждое измерение более информативным и точным. За считанные часы алгоритм определил три ключевые области в сложной выборке, которые исследователям CFN нужно было изучить более внимательно. Они использовали электронную микроскопию CFN, чтобы отобразить эти ключевые области в мельчайших деталях, обнаружив рельсы и перекладины наноразмерной лестницы, среди других новых особенностей. |
От начала до конца эксперимент длился около шести часов. По оценкам исследователей, им потребовалось бы около месяца, чтобы сделать это открытие с использованием традиционных методов. «Автономные методы могут значительно ускорить открытие», — сказал Ягер. «Это, по сути, «затягивает» обычную петлю научных открытий, так что мы быстрее переключаемся между гипотезами и измерениями. Однако помимо скорости автономные методы увеличивают объем того, что мы можем изучать, а это означает, что мы можем решать более сложные научные проблемы. " «Двигаясь вперед, мы хотим исследовать сложное взаимодействие между несколькими параметрами. Мы провели моделирование с использованием компьютерного кластера CFN, которое подтвердило наши экспериментальные результаты, но они также показали, как другие параметры, такие как толщина пленки, также могут играть важную роль». — сказал Дорк. |
Команда активно применяет свой автономный исследовательский метод для решения еще более сложных проблем обнаружения материалов при самосборке, а также других классов материалов. Автономные методы обнаружения легко адаптируются и могут быть применены практически к любой исследовательской проблеме. «Сейчас мы внедряем эти методы для широкого круга пользователей, которые приходят в CFN и NSLS-II для проведения экспериментов», — сказал Ягер. «Каждый может работать с нами, чтобы ускорить исследование своих материалов. Мы предвидим, что это даст возможность сделать множество новых открытий в ближайшие годы, в том числе в приоритетных национальных областях, таких как чистая энергия и микроэлектроника». |
Источник |
При использовании материалов с сайта активная ссылка на него обязательна
|