Wetenschap
Georgia Tech Ph.D. Kandidaat Lee Griffin plaatst het eenkristalmonster op de meetfase van de gemodificeerde atoomkrachtmicroscoop (d.w.z. piëzoresponskrachtmicroscoop). Krediet:Rob Vilt, Georgië Tech
Algoritmen voor machinaal leren kunnen het soms beter doen met een beetje hulp van menselijke expertise, althans op het gebied van materiaalkunde.
In veel gespecialiseerde wetenschapsgebieden, techniek en geneeskunde, onderzoekers wenden zich tot machine learning-algoritmen om datasets te analyseren die veel te groot zijn geworden voor mensen om te begrijpen. In de materiaalkunde, succes met deze inspanning zou het ontwerp van geavanceerde functionele materialen van de volgende generatie kunnen versnellen, waar ontwikkeling nu afhangt van ouderwets vallen en opstaan.
Zelf, echter, technieken voor gegevensanalyse die zijn ontleend aan andere onderzoeksgebieden, bieden vaak niet de inzichten die nodig zijn om materiaalwetenschappers en ingenieurs te helpen kiezen welke van de vele variabelen ze moeten aanpassen - en kunnen geen rekening houden met dramatische veranderingen, zoals de introductie van een nieuwe chemische verbinding in het proces. In sommige complexe materialen zoals ferro-elektriciteit, maar liefst 10 verschillende factoren kunnen de eigenschappen van het resulterende product beïnvloeden.
In een artikel dat deze week in het tijdschrift is gepubliceerd NPJ-rekenmaterialen , onderzoekers leggen uit hoe ze de machines een voorsprong kunnen geven bij het oplossen van de uitdaging door de te analyseren gegevens intelligent te organiseren op basis van menselijke kennis van welke factoren waarschijnlijk belangrijk en gerelateerd zijn. Bekend als dimensionale stapeling, de techniek laat zien dat de menselijke ervaring nog steeds een rol speelt in het tijdperk van machine-intelligentie.
Het onderzoek werd gesponsord door de National Science Foundation en het Defense Threat Reduction Agency, evenals de Zwitserse National Science Foundation. Er zijn metingen gedaan, gedeeltelijk, in het Oak Ridge National Laboratory in Oak Ridge, Tennessee.
"Als uw machine reeksen gegevens accepteert, het maakt echt uit hoe je die snaren in elkaar steekt, " zei Nazanin Bassiri-Gharb, de corresponderende auteur van het artikel en een professor aan de George W. Woodruff School of Mechanical Engineering aan het Georgia Institute of Technology. "We moeten er rekening mee houden dat de organisatie van gegevens voordat ze naar het algoritme gaan, een verschil maakt. Als je de informatie niet correct aansluit, je krijgt een resultaat dat niet noodzakelijkerwijs gecorreleerd is met de realiteit van de natuurkunde en scheikunde die de materialen beheersen."
Bassiri-Gharb werkt aan ferro-elektriciteit, kristallijne materialen die spontane elektrische polarisaties vertonen die schakelbaar zijn door een extern elektrisch veld. Op grote schaal gebruikt vanwege hun piëzo-elektrische eigenschappen, waardoor elektrische inputs mechanische outputs kunnen genereren, en mechanische beweging om elektrische spanningen te genereren - hun chemische formules zijn meestal ingewikkeld, inclusief lood, mangaan, niobium, zuurstof, titanium, indium, bismut en andere elementen.
onderzoekers, die al tientallen jaren werken aan het verbeteren van de materialen, wil geavanceerde ferro-elektriciteit ontwikkelen die geen lood bevat. Maar proefondervindelijke ontwerptechnieken hebben niet geleid tot grote doorbraken, en ze is niet de enige die een directere benadering wil - een die ook sneller zou kunnen leiden tot verbeteringen in andere functionele materialen die worden gebruikt in micro-elektronica, batterijen, opto-elektronische systemen en andere kritische onderzoeksgebieden.
Een enkelkristalmonster wordt geladen op de meetfase van een gemodificeerde atoomkrachtmicroscoop (d.w.z. piëzoresponskrachtmicroscoop). Krediet:Rob Vilt, Georgië Tech
"Voor materiaalkunde, dingen worden echt ingewikkeld, vooral met de functionele materialen, " zei Bassiri-Gharb. "Als materiaalwetenschappers, het is erg moeilijk om de materialen te ontwerpen als we niet begrijpen waarom een respons wordt verhoogd. We hebben geleerd dat de functionaliteiten niet gecompartimenteerd zijn. Ze zijn met elkaar verbonden onder vele eigenschappen van het materiaal."
De techniek die in het artikel wordt beschreven, omvat een voorbewerkingsstap waarin de grote datasets worden georganiseerd op basis van fysische of chemische eigenschappen die voor materiaalwetenschappers logisch zijn.
"Als wetenschapper of ingenieur, je hebt een idee of er fysische of chemische correlaties zijn, " legde ze uit. "Je moet op de hoogte zijn van wat voor soort correlaties er kunnen bestaan. De manier waarop u uw te analyseren gegevens stapelt, heeft gevolgen voor de fysische of chemische correlaties. Als u dit correct doet, u kunt meer informatie krijgen van elke benadering voor gegevensanalyse die u mogelijk gebruikt."
Om de technieken te testen, Bassiri-Gharb en medewerkers Lee Griffin, Iaroslav Gaponenko, en Shujun Zhang testten monsters van relaxor-ferro-elektrische materialen die worden gebruikt in geavanceerde ultrasone beeldvormingsapparatuur. Griffioen, een afgestudeerde onderzoeksassistent van Georgia Tech en de co-eerste auteur van het artikel, deed de experimentele metingen. Zhang, een onderzoeker aan de Universiteit van Wollongong in Australië, leverde monsters voor het onderzoek. Bassiri-Gharb en Gaponenko, een onderzoeksfiliaal in haar groep, de aanpak ontwikkeld.
Met behulp van een geleidende tip op een atoomkrachtmicroscoop, ze onderzochten de elektromechanische respons van een reeks chemisch verwante monsters, het genereren van maar liefst 2, 500 tijd- en spanningsafhankelijke metingen op een raster van punten vastgesteld op elk monster. Het proces genereerde honderdduizenden datapunten en vormde een goede test voor de stapelaanpak, technisch bekend als aaneenschakeling.
"In plaats van alleen te kijken naar de chemische samenstelling die de hoogste respons geeft, we keken naar een reeks composities en probeerden de gemeenschappelijkheid te achterhalen, "zei ze. "We kwamen erachter dat als we deze gegevensstapeling zouden toepassen met een denkproces erachter, we zouden meer kunnen leren over deze interessante materialen."
Een van hun bevindingen:hoewel het materiaal een eenkristal is, de functionele respons vertoonde zeer ongeordend gedrag, doet denken aan een volledig ongeordend materiaal als glas. "Dit glazige gedrag houdt echt onverwacht aan bij een klein percentage van de materiaalsamenstellingen, "zei Bassiri-Gharb. "Het blijft bestaan in alle composities die we hebben bekeken."
Ze hoopt dat de techniek uiteindelijk zal leiden tot informatie die veel materialen en hun functionaliteiten zal verbeteren. Als de materiaalwetenschappers weten welke chemicaliën moeten worden toegevoegd, kunnen ze naar de volgende fase gaan:samenwerken met chemici om de juiste atomen op de juiste plaatsen te plaatsen.
"Het grote doel van de functionaliteit van elk materiaal is om de richtlijnen te vinden die de eigenschappen bieden die we willen, " zei ze. "We willen het rechte pad vinden naar de beste composities voor de volgende generatie van deze materialen."
Wetenschap © https://nl.scienceaq.com