Искусственному интеллекту доверили открыть новые наноструктуры, и у него получилось!

Ученые Брукхейвенской национальной лаборатории Министерства энергетики США успешно продемонстрировали, что автономные методы могут открывать новые материалы.

Метод, основанный на искусственном интеллекте (ИИ), привел к открытию трех новых наноструктур, включая первую в своем роде наноразмерную «лестницу». Результаты исследования опубликованы сегодня в журнале Science Advances.

Вновь открытые структуры образовались в результате процесса, который называется самосборкой, когда молекулы материала организуются в уникальные структуры. Ученые Брукхейвенского центра функциональных наноматериалов (CFN) являются экспертами в управлении процессом самосборки, создавая шаблоны, которые позволяют сформировать необходимые структуры для применения в микроэлектронике, катализе и других областях. Открытие наноразмерной лестницы и других новых структур еще больше расширяет сферу применения самосборки.

Самосборку можно использовать как технику для создания наношаблонов, что является движущей силой прогресса в микроэлектронике и компьютерном оборудовании, — сказал соавтор работы Грегори Доерк, ученый из CFN.

Эти технологии всегда стремятся к более высокому уровню точности благодаря использованию все более мелких наношаблонов. Вы можете получить действительно маленькие и четко регулируемые элементы из самосборных материалов, но они не обязательно подчиняются тем правилам, которые мы устанавливаем, например, для схем. Направляя самосборку с помощью шаблона, мы можем формировать более полезные детали.

Сотрудники CFN стремятся создать библиотеку типов самосборных наношаблонов, чтобы расширить сферу их применения. В предыдущих исследованиях они продемонстрировали, что новые типы узоров становятся возможными при смешивании двух самособирающихся материалов.

Тот факт, что теперь мы можем создать лестничную структуру, о которой раньше никто и не мечтал, просто поразителен, — сказал руководитель группы CFN и соавтор Кевин Ягер.

Традиционная самосборка способна создавать только относительно простые структуры, такие как цилиндры, листы и сферы. Но смешивая два материала вместе и используя правильную химическую решетку, мы обнаружили, что возможны совершенно новые структуры.

Объединение самособирающихся материалов позволило ученым CFN открыть уникальные структуры, но это также создало новые проблемы. Поскольку в процессе самосборки можно контролировать гораздо больше параметров, поиск правильной комбинации параметров для создания новых и полезных структур — это борьба со временем. Чтобы ускорить свои исследования, ученые CFN использовали новую возможность ИИ: автономное экспериментирование.

Брукхейвенские ученые из CFN разрабатывают систему искусственного интеллекта, которая может автономно определять и выполнять все этапы эксперимента. Алгоритм gpCAM от CAMERA управляет автономным принятием решений. Нынешнее исследование является первой успешной демонстрацией способности алгоритма открывать новые материалы.

gpCAM — это гибкий алгоритм и программное обеспечение для автономного проведения экспериментов, — сказал ученый из Лаборатории Беркли и соавтор исследования Маркус Ноак.

В этом исследовании он был использован особенно изобретательно для автономного изучения различных особенностей модели.

У нас уже было готово программное обеспечение и методология, и теперь мы успешно используем их для открытия новых материалов, — сказал Ягер.

Теперь мы узнали достаточно об автономной науке, чтобы можно было спокойно взять проблему материалов и преобразовать ее в автономную проблему.

Чтобы ускорить открытие материалов с помощью нового алгоритма, команда сначала разработала сложный образец со спектром свойств для анализа. Исследователи изготовили образец с помощью установки нанопроизводства CFN и провели самосборку в лаборатории синтеза материалов.

Старая школа материаловедения предполагает синтез образца, его измерение, изучение его свойств, а затем возвращение и изготовление другого образца и дальнейшее повторение этого процесса, — сказал Ягер.

Вместо этого мы сделали образец, который имеет градиент всех интересующих нас параметров. Таким образом, этот единственный образец представляет собой обширную смесь множества различных структур материалов.

Затем команда доставила образец в NSLS-II, где генерируется сверхъяркое рентгеновское излучение для изучения структуры материалов. В партнерстве с NSLS-II CFN управляет тремя экспериментальными станциями, одна из которых использовалась в данном исследовании — линия излучения Soft Matter Interfaces (SMI).

Одной из сильных сторон SMI является способность фокусировать рентгеновский луч на образце с точностью до микрона, — говорит ученый NSLS-II и соавтор исследования Маса Фукуто.

Анализируя, как материал рассеивает эти рентгеновские лучи, мы узнаем о локальной структуре материала в освещенном месте. Измерения во многих различных точках позволяют определить, как локальная структура меняется в градиентном образце.

В этой работе мы позволили алгоритму искусственного интеллекта на лету выбирать, в каком месте проводить следующее измерение, чтобы максимизировать ценность каждого измерения.

По мере измерения образца на лучевой линии SMI алгоритм без вмешательства человека создавал модель многочисленной и разнообразной структуры материала. Модель обновлялась с каждым последующим рентгеновским измерением, делая каждое измерение более глубоким и точным.

В течение нескольких часов алгоритм определил три ключевые области в сложном образце для более тщательного изучения. Исследователи использовали электронную микроскопию для получения изображений этих ключевых областей в мельчайших деталях, обнаружив рельсы и перекладины наноразмерной лестницы, а также другие новые особенности.

От начала до конца эксперимент длился около шести часов. По оценкам исследователей, при использовании традиционных методов им потребовалось бы около месяца, чтобы совершить это открытие.

Автономные методы могут значительно ускорить открытие, — заявил Ягер

По сути, это затягивает обычный цикл научных открытий, так что мы быстрее переходим от гипотез к измерениям.

Однако автономные методы не только ускоряют процесс, но и расширяют сферу исследований, что означает, что ученые смогут решать более сложные научные задачи.

В дальнейшем мы хотим изучить сложное взаимодействие множества параметров. Мы провели моделирование с использованием компьютерного кластера, которое подтвердило наши экспериментальные результаты, но оно также показало, что другие параметры, такие как толщина пленки, также могут играть важную роль, — отметил Доерк.

Команда активно применяет свой автономный метод исследования для решения еще более сложных задач по обнаружению материалов для самосборки, а также других классов материалов. Методы автономного обнаружения адаптируются и могут использоваться для решения любой исследовательской задачи.

Сейчас мы внедряем эти методы для широкого круга пользователей, которые приезжают в CFN и NSLS-II для проведения экспериментов, — сказал Ягер.

Любой желающий может работать с нами, чтобы ускорить изучение своих материалов. Мы предвидим, что в ближайшие годы это позволит сделать множество новых открытий, в том числе в таких приоритетных национальных областях, как чистая энергия и микроэлектроника.

14.01.2023