Wanneer de woorden "kunstmatige intelligentie" (AI) in je opkomen, je eerste gedachten kunnen zijn van superslimme computers, of robots die taken uitvoeren zonder hulp van mensen. Nutsvoorzieningen, een multi-institutioneel team, waaronder onderzoekers van het National Institute of Standards and Technology (NIST) heeft iets bereikt dat niet al te ver weg is:ze ontwikkelden een AI-algoritme genaamd CAMEO dat een potentieel nuttig nieuw materiaal ontdekte zonder aanvullende training van wetenschappers. Het AI-systeem zou kunnen helpen de hoeveelheid proefondervindelijke tijd die wetenschappers in het laboratorium doorbrengen te verminderen, terwijl ze de productiviteit en efficiëntie in hun onderzoek maximaliseren.

Het onderzoeksteam publiceerde hun werk over CAMEO in Natuurcommunicatie .

Op het gebied van materiaalkunde, wetenschappers proberen nieuwe materialen te ontdekken die in specifieke toepassingen kunnen worden gebruikt, zoals een "metaal dat licht maar ook sterk is voor het bouwen van een auto, of een die bestand is tegen hoge spanningen en temperaturen voor een straalmotor, " zei NIST-onderzoeker Aaron Gilad Kusne.

Maar het vinden van dergelijke nieuwe materialen vergt meestal een groot aantal gecoördineerde experimenten en tijdrovende theoretische zoektochten. Als een onderzoeker geïnteresseerd is in hoe de eigenschappen van een materiaal variëren bij verschillende temperaturen, dan moet de onderzoeker mogelijk 10 experimenten uitvoeren bij 10 verschillende temperaturen. Maar temperatuur is slechts één parameter. Als er vijf parameters zijn, elk met 10 waarden, dan moet die onderzoeker het experiment 10 x 10 x 10 x 10 x 10 keer uitvoeren, in totaal 100, 000 experimenten. Het is bijna onmogelijk voor een onderzoeker om zoveel experimenten uit te voeren vanwege de jaren of decennia die het kan duren, zei Kusne.

Dat is waar CAMEO om de hoek komt kijken. Afkorting van Closed-Loop Autonomous System for Materials Exploration and Optimization, CAMEO kan ervoor zorgen dat elk experiment de kennis en het begrip van de wetenschapper maximaliseert, experimenten overslaan die overbodige informatie zouden opleveren. Door wetenschappers te helpen hun doelen sneller te bereiken met minder experimenten, kunnen laboratoria hun beperkte middelen ook efficiënter gebruiken. Maar hoe kan CAMEO dit doen?

De methode achter de machine

Machine learning is een proces waarbij computerprogramma's toegang kunnen krijgen tot gegevens en deze zelf kunnen verwerken, zichzelf automatisch verbeteren in plaats van te vertrouwen op herhaalde training. Dit is de basis voor CAMEO, een zelflerende AI die voorspelling en onzekerheid gebruikt om te bepalen welk experiment het volgende is.

Zoals de naam al doet vermoeden, CAMEO zoekt naar een bruikbaar nieuw materiaal door in een gesloten lus te werken:het bepaalt welk experiment op een materiaal moet worden uitgevoerd, doet het experiment, en verzamelt de gegevens. Hij kan ook om meer informatie vragen, zoals de kristalstructuur van het gewenste materiaal, van de wetenschapper voordat hij het volgende experiment uitvoert, die wordt geïnformeerd door alle eerdere experimenten die in de lus zijn uitgevoerd.

"De sleutel tot ons experiment was dat we CAMEO konden ontketenen op een combinatorische bibliotheek waar we een groot aantal materialen hadden gemaakt met alle verschillende composities, " zei Ichiro Takeuchi, een materiaalwetenschappelijke en technische onderzoeker en professor aan de Universiteit van Maryland. In een gebruikelijke combinatorische studie, elk materiaal in de array zou opeenvolgend worden gemeten om te zoeken naar de verbinding met de beste eigenschappen. Zelfs met een snelle meetopstelling, dat duurt lang. Met CAMEO, er was slechts een kleine fractie van het gebruikelijke aantal metingen nodig om het beste materiaal te vinden.

De AI is ook ontworpen om kennis van de belangrijkste principes, inclusief kennis van eerdere simulaties en laboratoriumexperimenten, hoe de apparatuur werkt, en fysieke concepten. Bijvoorbeeld, de onderzoekers gewapend CAMEO met de kennis van phase mapping, die beschrijft hoe de rangschikking van atomen in een materiaal verandert met de chemische samenstelling en temperatuur.

Begrijpen hoe atomen in een materiaal zijn gerangschikt, is belangrijk bij het bepalen van de eigenschappen ervan, zoals hoe hard of hoe elektrisch isolerend het is, en hoe goed het geschikt is voor een specifieke toepassing.

"De AI is zonder toezicht. Veel soorten AI moeten worden getraind of begeleid. In plaats van te vragen om fysieke wetten te leren, we coderen ze in de AI. Je hebt geen mens nodig om de AI te trainen, ' zei Kusne.

Een van de beste manieren om de structuur van een materiaal te achterhalen, is door het te bombarderen met röntgenstralen, in een techniek die röntgendiffractie wordt genoemd. Door de hoeken te identificeren waaronder de röntgenstralen weerkaatsen, wetenschappers kunnen bepalen hoe atomen in een materiaal zijn gerangschikt, waardoor ze de kristalstructuur kunnen achterhalen. Echter, een enkel intern röntgendiffractie-experiment kan een uur of langer duren. In een synchrotronfaciliteit waar een grote machine ter grootte van een voetbalveld elektrisch geladen deeltjes versnelt met bijna de lichtsnelheid, dit proces kan 10 seconden duren omdat de snel bewegende deeltjes grote hoeveelheden röntgenstraling uitzenden. Dit is de methode die wordt gebruikt in de experimenten, die werden uitgevoerd bij de Stanford Synchrotron Radiation Lightsource (SSRL).

Het algoritme wordt geïnstalleerd op een computer die via een datanetwerk verbinding maakt met de röntgendiffractieapparatuur. CAMEO beslist welke materiaalsamenstelling vervolgens moet worden bestudeerd door te kiezen op welk materiaal de röntgenstralen zich concentreren om de atomaire structuur ervan te onderzoeken. Bij elke nieuwe iteratie, CAMEO leert van eerdere metingen en identificeert het volgende materiaal om te bestuderen. Hierdoor kan de AI onderzoeken hoe de samenstelling van een materiaal de structuur beïnvloedt en het beste materiaal voor de taak identificeren.

"Zie dit proces als proberen de perfecte cake te maken, " zei Kusne. "Je mixt verschillende soorten ingrediënten, meel, eieren, of boter, verschillende recepten gebruiken om de beste cake te maken." Met de AI, het is zoeken door de "recepten" of experimenten om de beste samenstelling voor het materiaal te bepalen.

Op die manier ontdekte CAMEO het materiaal ?Ge?_4 ?Sb?_6 ?Te?_(7, ) die de groep heeft ingekort tot GST467. CAMEO kreeg 177 potentiële materialen om te onderzoeken, voor een groot aantal samenstellingsrecepten. Om tot dit materiaal te komen, CAMEO voerde 19 verschillende experimentele cycli uit, die 10 uur duurde, vergeleken met de geschatte 90 uur die een wetenschapper nodig zou hebben gehad met de volledige set van 177 materialen.

Het nieuwe materiaal

Het materiaal is samengesteld uit drie verschillende elementen (germanium, antimoon en telluur, Ge-Sb-Te) en is een geheugenmateriaal met faseverandering, dat is, het verandert zijn atomaire structuur van kristallijn (vast materiaal met atomen in aangewezen, regelmatige posities) tot amorf (vast materiaal met atomen in willekeurige posities) wanneer het snel gesmolten wordt door warmte toe te passen. Dit type materiaal wordt gebruikt in elektronische geheugentoepassingen zoals gegevensopslag. Hoewel er oneindige samenstellingsvariaties mogelijk zijn in het Ge-Sb-Te legeringssysteem, het nieuwe materiaal GST467 dat door CAMEO is ontdekt, is optimaal voor toepassingen met faseverandering.

Onderzoekers wilden dat CAMEO de beste Ge-Sb-Te-legering zou vinden, een die het grootste verschil in "optisch contrast" tussen de kristallijne en amorfe toestanden had. Op een dvd of Blu-ray-schijf, bijvoorbeeld, met optisch contrast kan een scanlaser de schijf lezen door onderscheid te maken tussen gebieden met een hoge of lage reflectiviteit. Ze ontdekten dat GST467 tweemaal het optische contrast heeft van ?Ge?_2 ?Sb?_2 ?Te?_5, een bekend materiaal dat vaak wordt gebruikt voor dvd's. Door het grotere contrast presteert het nieuwe materiaal aanzienlijk beter dan het oude materiaal.

GST467 heeft ook toepassingen voor fotonische schakelapparatuur, die de richting van het licht in een circuit regelen. Ze kunnen ook worden toegepast in neuromorphic computing, een vakgebied gericht op het ontwikkelen van apparaten die de structuur en functie van neuronen in de hersenen nabootsen, opent mogelijkheden voor nieuwe soorten computers en andere toepassingen, zoals het extraheren van nuttige gegevens uit complexe afbeeldingen.

De bredere toepassingen van CAMEO

De onderzoekers denken dat CAMEO voor veel andere materiaaltoepassingen kan worden gebruikt. De code voor CAMEO is open source en zal vrij beschikbaar zijn voor gebruik door wetenschappers en onderzoekers. En in tegenstelling tot vergelijkbare machine learning-benaderingen, CAMEO ontdekte een bruikbare nieuwe verbinding door zich te concentreren op de relatie samenstelling-structuur-eigenschap van kristallijne materialen. Op deze manier, het algoritme navigeerde de ontdekkingstocht door de structurele oorsprong van de functies van een materiaal te volgen.

Een voordeel van CAMEO is het minimaliseren van de kosten, sinds het voorstel, het plannen en uitvoeren van experimenten bij synchrotron-faciliteiten kost tijd en geld. Onderzoekers schatten een tienvoudige reductie in tijd voor experimenten met CAMEO, omdat het aantal uitgevoerde experimenten met een tiende kan worden verminderd. Omdat de AI de metingen uitvoert, het verzamelen van gegevens en het uitvoeren van de analyse, dit vermindert ook de hoeveelheid kennis die een onderzoeker nodig heeft om het experiment uit te voeren. Het enige waar de onderzoeker zich op moet concentreren, is het runnen van de AI.

Een ander voordeel is dat wetenschappers op afstand kunnen werken. "Dit opent een golf van wetenschappers om nog steeds te werken en productief te zijn zonder daadwerkelijk in het laboratorium te zijn, " zei Apurva Mehta, een onderzoeker bij het SLAC National Accelerator Laboratory. Dit zou kunnen betekenen dat als wetenschappers willen werken aan onderzoek met besmettelijke ziekten of virussen, zoals COVID-19, ze konden dit veilig en op afstand doen terwijl ze op de AI vertrouwen om de experimenten in het laboratorium uit te voeren.

Voor nu, onderzoekers zullen doorgaan met het verbeteren van de AI en proberen de algoritmen in staat te stellen om steeds complexere problemen op te lossen. "CAMEO heeft de intelligentie van een robotwetenschapper, en het is gebouwd om te ontwerpen, uitvoeren en leren van experimenten op een zeer efficiënte manier, ' zei Kusne.