Innovaties op het gebied van materiaalwetenschap zijn net zo essentieel voor het moderne leven als sanitair binnenshuis - en gaan net zo onopgemerkt rond.

Bijvoorbeeld, innovaties in halfgeleidende apparaten blijven de overdracht van meer informatie mogelijk maken, sneller en door kleinere hardware, zoals door een apparaat dat in onze handpalmen past.

Verbeteringen in beeldvormingstechnieken hebben het mogelijk gemaakt om bergen gegevens te verzamelen over de eigenschappen van de nanomaterialen die in dergelijke apparaten worden gebruikt. (Eén nanometer is een miljardste van een meter. Voor schaal geldt een streng mensenhaar is tussen de 50, 000 en 100, 000 nanometer dik.)

"De uitdaging is dat analytische benaderingen die door mensen interpreteerbare gegevens produceren, slecht toegerust blijven voor de complexiteit en omvang van de gegevens, " zegt Joshua Agar, assistent-professor materiaalkunde aan de Lehigh University. "Slechts een oneindig kleine fractie van de verzamelde gegevens wordt vertaald in kennis."

Agar bestudeert ferro-elektriciteit op nanoschaal, dat zijn materialen die spontane elektrische polarisatie vertonen - als gevolg van kleine verschuivingen in geladen atomen - die kunnen worden omgekeerd door de toepassing van een extern elektrisch veld. Ondanks veelbelovende toepassingen in de volgende generatie energiezuinige informatieopslag/berekening, energie-efficiëntie door het oogsten van afvalenergie, milieuvriendelijke solid-state koeling en nog veel meer, er moeten nog een aantal problemen worden opgelost voordat ferro-elektriciteit hun volledige potentieel kan bereiken.

Agar gebruikt een multimodale hyperspectrale beeldvormingstechniek - beschikbaar via het gebruikersprogramma van het Center for Nanophase Materials Sciences in het Oak Ridge National Laboratory - genaamd band-excitatie piëzoresponskrachtmicroscopie, die de mechanische eigenschappen van de materialen meet als ze reageren op elektrische stimuli. Deze zogenaamde ter plaatse karakteriseringstechnieken zorgen voor de directe observatie van processen op nanoschaal in actie.

"Onze experimenten omvatten het aanraken van het materiaal met een cantilever en het meten van de eigenschappen van het materiaal terwijl we het aandrijven met een elektrisch veld, "zegt Agar. "In wezen, we gaan naar elke pixel en meten de respons van een heel klein deel van het materiaal terwijl we het door transformaties sturen."

De techniek levert enorme hoeveelheden informatie op over hoe het materiaal reageert en de soorten processen die plaatsvinden tijdens de overgang tussen verschillende toestanden, legt Agar uit.

"Je krijgt deze kaart voor elke pixel met veel spectra en verschillende reacties, "zegt Agar. "Al deze informatie komt in één keer naar buiten met deze techniek. Het probleem is hoe je erachter komt wat er aan de hand is, omdat de gegevens niet schoon zijn - er is veel ruis."

Agar en zijn collega's hebben een techniek voor kunstmatige intelligentie (AI) ontwikkeld die diepe neurale netwerken gebruikt om te leren van de enorme hoeveelheden gegevens die door hun experimenten worden gegenereerd en om nuttige informatie te extraheren. Door deze methode toe te passen, hebben hij en zijn team geometrisch gedreven verschillen in ferro-elektrische domeinomschakeling geïdentificeerd en voor het eerst gevisualiseerd.

De techniek, en hoe het werd gebruikt om deze ontdekking te doen, is beschreven in een artikel dat vandaag is gepubliceerd in Natuurcommunicatie genaamd "Onthullend ferro-elektrisch schakelkarakter met behulp van diepe terugkerende neurale netwerken." Andere auteurs zijn onder meer onderzoekers van de Universiteit van Californië, Berkeley; Lawrence Berkeley Nationaal Laboratorium; Universiteit Texas in Arlington; Staatsuniversiteit van Pennsylvania, Universiteitspark; en, Het Center for Nanophase Materials Science in het Oak Ridge National Laboratory.

Het team is een van de eersten op het gebied van materiaalkunde die de paper publiceert via open source-software die is ontworpen om interactief computergebruik mogelijk te maken. De krant, evenals de code, zijn verkrijgbaar als Jupyter Notebook, die draait op Google Collaboratory, een gratis cloud computing-service. Elke onderzoeker heeft toegang tot het papier en de code, test de methode uit, parameters wijzigen en, ook al, probeer het op hun eigen gegevens. Door gegevens te delen, analysecodes en beschrijvingen Agar hoopt dat deze benadering wordt gebruikt in gemeenschappen buiten degenen die deze hyperspectrale karakteriseringstechniek gebruiken in het Center for Nanophase Materials Science in het Oak Ridge National Laboratory.

Volgens Agar, de neurale netwerkbenadering zou brede toepassingen kunnen hebben:"Het zou kunnen worden gebruikt in elektronenmicroscopie, in scanning tunneling microscopie en zelfs in luchtfotografie, "zegt Agar. "Het overschrijdt grenzen."

In feite, de neurale netwerktechniek is voortgekomen uit het werk dat Agar deed met Joshua Bloom, Professor of Astronomy aan Berkeley die eerder werd gepubliceerd in: Natuurastronomie . Agar paste de techniek aan en paste de techniek toe op een materiaalgebruik.

"Mijn collega astronomie bekeek de nachtelijke hemel, kijken naar verschillende sterren en proberen te classificeren welk type ster ze zijn op basis van hun lichtintensiteitsprofielen, ' zegt Agar.

Een neurale netwerkbenadering gebruiken om hyperspectrale beeldgegevens te analyseren

Door de neurale netwerktechniek toe te passen, die modellen gebruikt die worden gebruikt in Natural Language Processing, Agar en zijn collega's waren in staat om direct een belangrijke subtiliteit in het schakelen van een klassiek ferro-elektrisch materiaal in beeld te brengen en te visualiseren:loodzirkoniumtitanaat dat, hiervoor, nooit was gedaan.

Wanneer het materiaal van polarisatietoestand verandert onder een extern elektrisch veld, legt Agar uit, het vormt een domeinmuur, of een grens tussen twee verschillende oriëntaties van polarisatie. Afhankelijk van de geometrie, ladingen kunnen zich dan op die grens ophopen. De modulaire geleidbaarheid bij deze domeinwandinterfaces is de sleutel tot het sterke potentieel van het materiaal voor gebruik in transistors en geheugenapparaten.

"Wat we hier vanuit een natuurkundig perspectief detecteren, is de vorming van verschillende soorten domeinwanden die geladen of ongeladen zijn, afhankelijk van de geometrie, ' zegt Agar.

Volgens Agar, deze ontdekking zou niet mogelijk zijn geweest met behulp van meer primitieve machine learning-benaderingen, omdat die technieken meestal lineaire modellen gebruiken om lineaire correlaties te identificeren. Dergelijke modellen kunnen niet efficiënt omgaan met gestructureerde gegevens of de complexe correlaties maken die nodig zijn om de gegevens te begrijpen die worden gegenereerd door hyperspectrale beeldvorming.

Het type neuraal netwerk dat Agar heeft ontwikkeld, heeft een black box-karakter. De methode werkt door een stapeling van individuele wiskundige componenten in complexe architecturen. Het systeem optimaliseert zichzelf vervolgens door "steeds opnieuw door de gegevens te bladeren totdat het identificeert wat belangrijk is."

Agar maakt dan een eenvoudige, laagdimensionale weergave van dat model met minder parameters.

"Om de uitvoer te interpreteren, zou ik kunnen zeggen:'Welke 10 parameters zijn het belangrijkst om alle functies in de dataset te definiëren?'", zegt Agar. "En dan kan ik visualiseren hoe die 10 parameters de respons beïnvloeden en, door die informatie te gebruiken, belangrijke kenmerken identificeren."

De nano-menselijke interface

Agar's werk aan dit project werd gedeeltelijk ondersteund door een TRIPODS+X-subsidie, een National Science Foundation-prijsprogramma dat samenwerkingsteams ondersteunt om nieuwe perspectieven te bieden op complexe en diepgewortelde datawetenschapsproblemen. Het werk maakt ook deel uit van Lehigh's Nano/Human Interface Presidential Engineering Research Initiative.

"Deze tool zou een benadering kunnen zijn omdat, eenmaal getraind, een neuraal netwerksysteem kan een nieuw stuk data zeer snel evalueren, ", zegt Agar. "Het zou het mogelijk kunnen maken om zeer grote datastromen te nemen en ze on-the-fly te verwerken. Eenmaal verwerkt, de gegevens kunnen op een interpreteerbare manier met iemand worden gedeeld, het omzetten van die grote datastroom in bruikbare informatie."