Mélanie Thomas Des scientifiques du laboratoire countrywide de Brookhaven du Département américain de l’énergie (DOE) ont démontré avec succès que des méthodes autonomes peuvent découvrir de nouveaux matériaux. La strategy basée sur l’intelligence artificielle (IA) a conduit à la découverte de trois nouvelles nanostructures, dont une “échelle” à l’échelle nanométrique, la première du genre. La recherche a été publiée aujourd’hui dans Science Developments.
dans lequel les molécules d’un matériau s’organisent en motifs uniques. Les scientifiques du Centre pour les nanomatériaux fonctionnels (CFN) de Brookhaven sont des professionals dans la direction du processus d’auto-assemblage, créant des modèles de matériaux pour previous des preparations souhaitables pour des programs en microélectronique, en catalyse, etc. Leur découverte de l’échelle nanométrique et d’autres nouvelles constructions élargit encore la portée des programs de l’auto-assemblage.
“L’auto-assemblage peut être utilisé comme une method de nanopatterning, qui est un moteur pour les progrès de la microélectronique et du matériel informatique”, a déclaré le scientifique et co-auteur du CFN, Gregory Doerk. “Ces technologies poussent toujours pour une résolution in addition élevée en utilisant des nano-modèles as well as petits. Vous pouvez obtenir des caractéristiques vraiment petites et étroitement contrôlées à partir de matériaux automobile-assemblés, mais elles n’obéissent pas nécessairement au sort de règles que nous élaborons pour les circuits, par exemple. En dirigeant automobile-assemblage à l’aide d’un modèle, nous pouvons former des modèles qui sont as well as utiles.”
Les scientifiques du personnel du CFN, qui est une set up d’utilisateurs du Bureau des sciences du DOE, visent à créer une bibliothèque de sorts de nanomodèles automobile-assemblés pour élargir leurs purposes. Dans des études précédentes, ils ont démontré que de nouveaux forms de motifs sont rendus possibles en mélangeant deux matériaux vehicle-assemblés.
“Le fait que nous puissions maintenant créer une construction en échelle, dont personne n’avait jamais rêvé auparavant, est incroyable”, a déclaré Kevin Yager, chef du groupe CFN et co-auteur. “L’auto-assemblage traditionnel ne peut previous que des structures relativement simples comme des cylindres, des feuilles et des sphères. Mais en mélangeant deux matériaux ensemble et en utilisant juste le bon réseau chimique, nous avons découvert que des buildings entièrement nouvelles sont possibles.”
Le mélange de matériaux automobile-assemblés a permis aux scientifiques du CFN de découvrir des constructions uniques, mais cela a également créé de nouveaux défis. Avec beaucoup plus de paramètres à contrôler dans le processus d’auto-assemblage, trouver la bonne combinaison de paramètres pour créer de nouvelles structures utiles est une bataille contre la montre. Pour accélérer leurs recherches,: l’expérimentation autonome.
En collaboration avec le Middle for State-of-the-art Arithmetic for Electrical power Study Purposes (Digital camera) du Lawrence Berkeley Countrywide Laboratory du DOE, les scientifiques de Brookhaven du CFN et de la Countrywide Synchrotron Light Source II (NSLS-II), une autre installation utilisateur du DOE Business office of Science au Brookhaven Lab. L’algorithme gpCAM de Digital camera pilote la prise de décision autonome du framework.
“gpCAM est un algorithme et un logiciel flexibles pour l’expérimentation autonome”, a déclaré Marcus Noack, scientifique et co-auteur du Berkeley Lab. “Il a été utilisé de manière particulièrement ingénieuse dans cette étude pour explorer de manière autonome différentes caractéristiques du modèle.”
“Avec l’aide de nos collègues de Berkeley Lab, nous avions ce logiciel et cette méthodologie prêts à l’emploi, et maintenant nous les avons utilisés avec succès pour découvrir de nouveaux matériaux”, a déclaré Yager.”
Pour accélérer la découverte de matériaux à l’aide de leur nouvel algorithme, l’équipe a d’abord développé un échantillon complexe avec un spectre de propriétés pour l’analyse. Les chercheurs ont fabriqué l’échantillon à l’aide de l’installation de nanofabrication CFN et ont effectué l’auto-assemblage dans l’installation de synthèse de matériaux CFN.
“Une façon à l’ancienne de faire de la science des matériaux consiste à synthétiser un échantillon, à le mesurer, à en tirer des leçons, puis à revenir en arrière et à créer un échantillon différent et à répéter ce processus”, a déclaré Yager. “Au lieu de cela, nous avons créé un échantillon qui présente un gradient de chaque paramètre qui nous intéresse. Cet échantillon one of a kind est donc une vaste assortment de nombreuses buildings matérielles distinctes.”
Ensuite. qui génère des rayons X extremely-brillants pour étudier la structure des matériaux. Le CFN exploite trois stations expérimentales en partenariat avec NSLS-II, dont l’une a été utilisée dans cette étude, la ligne de lumière Smooth Make a difference Interfaces (SMI).
a déclaré Masa Fukuto, scientifique et co-auteur de NSLS-II. “En analysant comment ces rayons X à microfaisceaux sont diffusés par le matériau. Des mesures à de nombreux endroits différents peuvent alors révéler comment la composition locale varie à travers l’échantillon de gradient. Dans ce travail, nous laissez l’algorithme d’IA choisir, à la volée, quel endroit mesurer ensuite pour maximiser la valeur de chaque mesure.”
Comme l’échantillon a été mesuré sur la ligne de lumière SMI, l’algorithme, sans intervention humaine, a créé un modèle de l’ensemble nombreux et diversifié de buildings du matériau. Le modèle s’est mis à jour avec chaque mesure de rayons X ultérieure, rendant chaque mesure furthermore perspicace et précise.
En quelques heures, l’algorithme avait identifié trois domaines clés dans l’échantillon complexe que les chercheurs du CFN devaient étudier de as well as près. Ils ont utilisé l’installation de microscopie électronique CFN pour imager ces zones clés avec des détails exquis, découvrant les rails et les échelons d’une échelle à l’échelle nanométrique, entre autres caractéristiques nouvelles.
Du début à la fin. Les chercheurs estiment qu’il leur aurait fallu environ un mois pour faire cette découverte en utilisant des méthodes traditionnelles.
“Les méthodes autonomes peuvent considérablement accélérer la découverte”, a déclaré Yager. “Il s’agit essentiellement de” resserrer “la boucle de découverte habituelle de la science. Au-delà de la vitesse, cependant, les méthodes autonomes augmentent la portée de ce que nous pouvons étudier, ce qui signifie que nous pouvons nous attaquer à des problèmes scientifiques plus difficiles. ”
« À l’avenir, nous voulons étudier l’interaction complexe entre plusieurs paramètres. Nous avons effectué des simulations à l’aide du cluster informatique CFN qui a vérifié nos résultats expérimentaux, mais ils ont également suggéré comment d’autres paramètres, tels que l’épaisseur du film, peuvent également jouer un rôle important. dit Doerk.
ainsi qu’à d’autres classes de matériaux.
“Nous déployons maintenant ces méthodes auprès de la vaste communauté d’utilisateurs qui viennent au CFN et au NSLS-II pour mener des expériences”, a déclaré Yager. « N’importe qui peut travailler avec nous pour accélérer l’exploration de sa recherche sur les matériaux. Nous prévoyons que cela permettra une foule de nouvelles découvertes dans les années à venir, y compris dans des domaines prioritaires nationaux comme l’énergie propre et la microélectronique.
Cette recherche a été soutenue par le DOE Office environment of Science.
