Gli scienziati dell'Università Nazionale di Singapore (NUS) hanno utilizzato modelli di apprendimento automatico generativo per esplorare i diversi metodi in cui gli atomi tra cristalli adiacenti in un materiale piezoelettrico, ovvero materiali che generano una piccola tensione elettrica in seguito all'applicazione di stress meccanico, possono presentare disallineamenti. Questa rivelazione svela i percorsi attraverso i quali il disordine emerge in tali materiali.
Nel campo della scienza dei materiali, una questione di vecchia data riguarda la comprensione se i diversi disordini strutturali nei materiali complessi svolgono funzioni preziose, con una sfida chiave rappresentata dall'identificazione dei tipi di disordine all'interno di un particolare campione.
Un gruppo di ricerca del NUS ha affrontato questa sfida condensando un’ampia gamma di disordini strutturali nei confini dei domini di un materiale piezoelettrico in un piccolo insieme di semplici regole probabilistiche multiscala. Con queste regole, hanno creato un modello generativo di apprendimento automatico che copriva tre ordini di grandezza in scale di lunghezza, consentendo lo studio delle proprietà statistiche del materiale oltre i limiti pratici di misurazione.
Guidato dal professore assistente Ne-te Duane Loh del Dipartimento di fisica e del Dipartimento di scienze biologiche della NUS, il gruppo di ricerca ha scoperto che il disordine strutturale osservato sperimentalmente lungo i confini del dominio dei film piezoelettrici di niobato di potassio e sodio potrebbe essere distillato in un sorprendentemente insieme compatto di semplici regole probabilistiche. Queste regole potrebbero essere scomposte in due insiemi che dominano su scale di lunghezza distinte:catena di Markov e nuclei casuali. L'utilizzo di questi due insiemi di regole crea l'insieme dei confini del dominio per uno specifico campione di materiale.
Il team ha tradotto queste regole probabilistiche nel “vocabolario” e nella “grammatica” di un modello interpretabile di apprendimento automatico per generare e studiare un vasto spettro di confini di domini disordinati realistici che sono indistinguibili dalle misurazioni sperimentali. Questo modello generativo ha fornito l'accesso a ordini di grandezza in più di osservazioni rispetto a quanto avrebbero consentito la sperimentazione pratica o i costosi calcoli dei principi primi.
Utilizzando questo modello, gli autori hanno trovato motivi di confine di dominio precedentemente non rilevati nel materiale, che sono strutture a catena, facendo luce su fattori che potrebbero influenzare la sua risposta piezoelettrica. Hanno anche trovato prove che questi confini di dominio massimizzano l’entropia. Questa svolta suggerisce che i modelli interpretabili di apprendimento automatico possono comprendere la natura complessa del disordine nei materiali, aprendo la strada alla comprensione della loro funzione e progettazione.
I risultati della ricerca sono stati pubblicati sulla rivista Science Advances .
Questa ricerca prosegue la continua integrazione da parte del team dell'apprendimento statistico con la microscopia elettronica a risoluzione atomica per l'acquisizione di immagini di materiali complessi. Il dottor Jiadong Dan, il primo autore e membro dell'IA di Eric e Wendy Schmidt in Science, ha affermato:"Il nostro lavoro può essere generalmente esteso e applicato ad altri importanti sistemi in cui il disordine gioca un ruolo essenziale nel controllo delle proprietà fisiche dei materiali". /P>
Il team prevede inoltre ulteriori indagini sull'importanza funzionale dei motivi strutturali appena scoperti, evidenziando il potenziale per comprendere e progettare materiali complessi.
Il professor Loh ha aggiunto:"Questo lavoro integra il nostro precedente apprendimento delle gerarchie dei motivi atomici. Insieme, ci spingono verso la creazione di un'intelligenza artificiale (AI) complementare insieme ai microscopi per fornire un feedback rapido e senza precedenti."
Ulteriori informazioni: Jiadong Dan et al, Un modello generativo multiscala per comprendere il disordine nei confini dei domini, Progressi scientifici (2023). DOI:10.1126/sciadv.adj0904
Informazioni sul giornale: La scienza avanza
Fornito dall'Università Nazionale di Singapore
