Wetenschappers van de National University of Singapore (NUS) hebben generatieve machine learning-modellen gebruikt om de verschillende methoden te onderzoeken waarbij atomen tussen aangrenzende kristallen in een piëzo-elektrisch materiaal, dit zijn materialen die een kleine elektrische spanning genereren bij toepassing van mechanische spanning, mismatches kunnen ervaren. Deze onthulling onthult de wegen waarlangs wanorde in dergelijke materialen ontstaat.

Op het gebied van de materiaalkunde bestaat er al lang een vraag over het begrijpen of verschillende structurele stoornissen in complexe materialen waardevolle functies vervullen, waarbij een belangrijke uitdaging de identificatie van de soorten stoornissen binnen een bepaald monster is.

Een onderzoeksteam bij NUS heeft deze uitdaging aangepakt door een breed scala aan structurele wanorde in domeingrenzen van een piëzo-elektrisch materiaal samen te vatten in een kleine reeks eenvoudige, meerschalige probabilistische regels. Met deze regels creëerden ze een generatief machine learning-model dat drie ordes van grootte in lengteschalen besloeg, waardoor de studie van de statistische eigenschappen van het materiaal voorbij de praktische meetlimieten mogelijk werd.

Onder leiding van assistent-professor Ne-te Duane Loh van zowel het Departement Natuurkunde als het Departement Biologische Wetenschappen van NUS ontdekte het onderzoeksteam dat experimenteel waargenomen structurele wanorde langs de domeingrenzen van piëzo-elektrische films van kalium-natriumniobaat kon worden gedestilleerd tot een verrassend compacte set eenvoudige probabilistische regels. Deze regels kunnen worden opgesplitst in twee sets die domineren op verschillende lengteschalen:de Markov-keten en willekeurige kernen. Door deze twee sets regels te gebruiken, ontstaat er een ensemble van domeingrenzen voor een specifiek materiaalmonster.

Het team vertaalde deze probabilistische regels in de ‘vocabulaire’ en ‘grammatica’ van een interpreteerbaar machine learning-model om een ​​enorm spectrum van realistische, ongeordende domeingrenzen te genereren en te bestuderen die niet te onderscheiden zijn van experimentele metingen. Dit generatieve model bood toegang tot ordes van grootte van meer waarnemingen dan praktische experimenten of dure basisberekeningen mogelijk zouden maken.

Met behulp van dit model vonden de auteurs voorheen onopgemerkte domeingrensmotieven in het materiaal, dit zijn kettingachtige structuren, die licht werpen op factoren die de piëzo-elektrische respons zouden kunnen beïnvloeden. Ze vonden ook bewijs dat deze domeingrenzen de entropie maximaliseren. Deze doorbraak suggereert dat interpreteerbare machine learning-modellen de complexe aard van wanorde in materialen kunnen begrijpen, waardoor de weg wordt vrijgemaakt voor het begrijpen van hun functie en ontwerp.

De onderzoeksresultaten zijn gepubliceerd in het tijdschrift Science Advances .

Dit onderzoek zet de voortdurende integratie van statistisch leren door het team voort met elektronenmicroscopie met atomaire resolutie om complexe materialen in beeld te brengen. Dr. Jiadong Dan, de eerste auteur en de Eric en Wendy Schmidt AI in Science Fellow, zei:"Ons werk kan in het algemeen worden uitgebreid en toegepast op andere belangrijke systemen waar wanorde een essentiële rol speelt bij het beheersen van de fysieke eigenschappen van materialen."

Het team overweegt ook verder onderzoek naar het functionele belang van nieuw ontdekte structurele motieven, waarbij het potentieel wordt benadrukt om complexe materialen te begrijpen en te ontwerpen.

Prof Loh voegde hieraan toe:"Dit werk is een aanvulling op onze eerdere kennis over atomaire motiefhiërarchieën. Samen stimuleren ze ons om naast microscopen ook kunstmatige intelligentie (AI) te creëren om ongekende, snelle feedback te geven."

Meer informatie: Jiadong Dan et al, Een generatief model op meerdere schaal om wanorde in domeingrenzen te begrijpen, Wetenschappelijke vooruitgang (2023). DOI:10.1126/sciadv.adj0904

Journaalinformatie: Wetenschappelijke vooruitgang

Aangeboden door de Nationale Universiteit van Singapore