Comprendere le relazioni struttura-proprietà è un obiettivo chiave della ricerca sui materiali, secondo Joshua Agar, un membro di facoltà nel Dipartimento di Scienza e Ingegneria dei Materiali della Lehigh University. Eppure attualmente non esiste una metrica per comprendere la struttura dei materiali a causa della complessità e della natura multidimensionale della struttura.

Reti neurali artificiali, un tipo di apprendimento automatico, possono essere addestrati per identificare somiglianze e persino correlare parametri come struttura e proprietà, ma ci sono due sfide principali, dice Agar. Uno è che la maggior parte delle grandi quantità di dati generati dagli esperimenti sui materiali non vengono mai analizzati. Ciò è in gran parte dovuto al fatto che tali immagini, prodotto da scienziati nei laboratori di tutto il mondo, sono raramente archiviati in modo utilizzabile e di solito non condivisi con altri gruppi di ricerca. La seconda sfida è che le reti neurali non sono molto efficaci nell'apprendimento della simmetria e della periodicità (quanto è periodica la struttura di un materiale), due caratteristiche della massima importanza per i ricercatori sui materiali.

Ora, un team guidato dalla Lehigh University ha sviluppato un nuovo approccio di apprendimento automatico in grado di creare proiezioni di somiglianza tramite l'apprendimento automatico, consentendo ai ricercatori di cercare per la prima volta in un database di immagini non strutturato e identificare le tendenze. Agar e i suoi collaboratori hanno sviluppato e addestrato un modello di rete neurale per includere caratteristiche sensibili alla simmetria e quindi hanno applicato il loro metodo a un set di 25, 133 immagini di microscopia a forza di risposta piezo-risposta raccolte su diversi sistemi di materiali in cinque anni presso l'Università della California, Berkeley. I risultati:sono stati in grado di raggruppare classi di materiale simili e osservare le tendenze, formando una base da cui iniziare a comprendere le relazioni struttura-proprietà.

"Una delle novità del nostro lavoro è che abbiamo costruito una rete neurale speciale per comprendere la simmetria e la usiamo come estrattore di caratteristiche per migliorare la comprensione delle immagini, "dice Agar, un autore principale dell'articolo in cui viene descritto il lavoro:"Symmetry-Aware Recursive Image Similarity Exploration for Materials Microscopy, " pubblicato oggi in npj Materiali di calcolo . Oltre ad Agar, autori includono, dalla Lehigh University:Tri N. M. Nguyen, Yichen Guo, Shuyu Qin e Kylie S. Frew e, dalla Stanford University:Ruijuan Xu. Nguyen, un autore principale, era uno studente universitario alla Lehigh University e ora sta perseguendo un dottorato di ricerca. a Stanford.

Il team è stato in grado di arrivare alle proiezioni utilizzando l'approssimazione e la proiezione del collettore uniforme (UMAP), una tecnica di riduzione della dimensionalità non lineare. Questo approccio, dice Agar, permette ai ricercatori di apprendere "...in modo confuso, la topologia e la struttura di livello superiore dei dati e comprimerli in 2D."

"Se alleni una rete neurale, il risultato è un vettore, o un insieme di numeri che è un descrittore compatto delle caratteristiche. Queste caratteristiche aiutano a classificare le cose in modo da apprendere alcune somiglianze, " dice Agar. "Ciò che viene prodotto è ancora piuttosto grande nello spazio, anche se, perché potresti avere 512 o più funzioni diverse. Così, quindi vuoi comprimerlo in uno spazio che un essere umano può comprendere come 2D, o 3D―o, può essere , 4D."

Facendo questo, Agar e il suo team sono stati in grado di prendere il 25, Più di 000 immagini e raggruppano classi di materiale molto simili insieme.

"Tipi simili di strutture nel materiale sono semanticamente vicini e anche alcune tendenze possono essere osservate in particolare se si applicano alcuni filtri di metadati, " dice Agar. "Se inizi a filtrare da chi ha fatto la deposizione, chi ha fatto il materiale, cosa stavano cercando di fare, qual è il sistema materiale... puoi davvero iniziare a perfezionare e ottenere sempre più somiglianze. Tale somiglianza può quindi essere collegata ad altri parametri come le proprietà".

Questo lavoro dimostra come il miglioramento dell'archiviazione e della gestione dei dati potrebbe accelerare rapidamente le scoperte di materiali. Secondo Agar, di particolare valore sono le immagini ei dati generati da esperimenti falliti.

"Nessuno pubblica risultati falliti e questa è una grande perdita perché poi qualche anno dopo qualcuno ripete la stessa linea di esperimenti, " dice Agar. "Allora, sprechi ottime risorse in un esperimento che probabilmente non funzionerà."

Invece di perdere tutte queste informazioni, i dati che sono già stati raccolti potrebbero essere utilizzati per generare nuove tendenze che non sono state viste prima e accelerare la scoperta in modo esponenziale, dice Agar.

Questo studio è il primo "caso d'uso" di una nuova impresa di archiviazione dati innovativa ospitata presso l'Oak Ridge National Laboratory chiamata DataFed. DataFed, secondo il suo sito web è "... un federato, archiviazione di grandi quantità di dati, collaborazione, e un sistema di gestione dell'intero ciclo di vita per la scienza computazionale e/o l'analisi dei dati all'interno di ambienti di calcolo distribuito ad alte prestazioni (HPC) e/o cloud computing."

"Il mio team di Lehigh ha partecipato alla progettazione e allo sviluppo di DataFed rendendolo rilevante per i casi d'uso scientifici, " afferma Agar. "Lehigh è la prima implementazione live di questo sistema completamente scalabile. È un database federato in modo che chiunque possa far apparire il proprio server ed essere collegato alla struttura centrale".

Agar è l'esperto di machine learning del team Presidential Nano-Human Interface Initiative della Lehigh University. L'iniziativa interdisciplinare, integrando le scienze sociali e l'ingegneria, cerca di trasformare i modi in cui gli esseri umani interagiscono con gli strumenti della scoperta scientifica per accelerare le innovazioni.

"Uno degli obiettivi chiave della Nano/Human Interface Initiative di Lehigh è mettere le informazioni rilevanti a portata di mano degli sperimentatori per fornire informazioni fruibili che consentano un processo decisionale più informato e accelerino la scoperta scientifica, " dice Agar. "Gli esseri umani hanno una capacità limitata di memoria e raccoglimento. DataFed è un moderno Memex; fornisce una memoria di informazioni scientifiche che possono essere facilmente trovate e richiamate."

DataFed fornisce uno strumento particolarmente potente e prezioso per i ricercatori impegnati nella scienza interdisciplinare di gruppo, consentendo ai ricercatori che stanno collaborando a progetti di gruppo situati in luoghi diversi/remoti di accedere ai dati grezzi degli altri. Questo è uno dei componenti chiave della nostra iniziativa Lehigh Presidential Nano/Human Interface (NHI) per accelerare la scoperta scientifica, " dice Martin P. Harmer, Professore della Fondazione Alcoa nel Dipartimento di Scienza e Ingegneria dei Materiali di Lehigh e Direttore della Nano/Human Interface Initiative.