Un disegno schematico che mostra un rendering 3d di un cantilever a contatto con la superficie di un materiale ferroelettrico. Il diagramma mostra come le reti neurali possono essere utilizzate per visualizzare le differenze spaziali che possono essere correlate ai meccanismi di risposta. Credito:Joshua C. Agar e Joshua Willey
Le innovazioni nella scienza dei materiali sono essenziali per la vita moderna quanto le tubature interne e passano inosservate.
Per esempio, le innovazioni nei dispositivi a semiconduttore continuano a consentire la trasmissione di più informazioni, più veloce e tramite hardware più piccolo, ad esempio tramite un dispositivo che sta nel palmo delle nostre mani.
I miglioramenti nelle tecniche di imaging hanno permesso di raccogliere montagne di dati sulle proprietà dei nanomateriali utilizzati in tali dispositivi. (Un nanometro è un miliardesimo di metro. Per la scala, una ciocca di capelli umani è tra i 50, 000 e 100, 000 nanometri di spessore.)
"La sfida è che gli approcci analitici che producono dati interpretabili dall'uomo rimangono mal equipaggiati per la complessità e la grandezza dei dati, "dice Joshua Agar, assistente professore di scienza dei materiali alla Lehigh University. "Solo una frazione infinitesimale dei dati raccolti viene tradotta in conoscenza".
Agar studia i ferroelettrici su scala nanometrica, che sono materiali che mostrano una polarizzazione elettrica spontanea, come risultato di piccoli spostamenti negli atomi carichi, che possono essere invertiti mediante l'applicazione di un campo elettrico esterno. Nonostante le promettenti applicazioni nell'archiviazione/calcolo di informazioni a bassa potenza di prossima generazione, efficienza energetica attraverso la raccolta di energia di scarto, raffreddamento a stato solido ecologico e molto altro ancora, una serie di problemi devono ancora essere risolti affinché i ferroelettrici raggiungano il loro pieno potenziale.
Agar utilizza una tecnica di imaging iperspettrale multimodale, disponibile tramite il programma utente presso il Center for Nanophase Materials Sciences presso l'Oak Ridge National Laboratory, denominata microscopia a forza piezorisposta a eccitazione di banda, che misura le proprietà meccaniche dei materiali mentre rispondono agli stimoli elettrici. Questi cosiddetti sul posto le tecniche di caratterizzazione consentono l'osservazione diretta dei processi su scala nanometrica in azione.
"I nostri esperimenti prevedono di toccare il materiale con un cantilever e misurare le proprietà del materiale mentre lo guidiamo con un campo elettrico, "dice Agar. "Essenzialmente, andiamo su ogni singolo pixel e misuriamo la risposta di una regione molto piccola del materiale mentre lo guidiamo attraverso le trasformazioni".
La tecnica fornisce grandi quantità di informazioni su come il materiale sta rispondendo e sui tipi di processi che si verificano durante la transizione tra i diversi stati, spiega Agar.
"Ottieni questa mappa per ogni pixel con molti spettri e risposte diverse, " dice Agar. "Tutte queste informazioni vengono fuori in una volta con questa tecnica. Il problema è come si fa effettivamente a capire cosa sta succedendo perché i dati non sono puliti, sono rumorosi".
Agar e i suoi colleghi hanno sviluppato una tecnica di intelligenza artificiale (AI) che utilizza reti neurali profonde per apprendere dalle enormi quantità di dati generati dai loro esperimenti ed estrarre informazioni utili. Applicando questo metodo, lui e il suo team hanno identificato e visualizzato per la prima volta differenze guidate dalla geometria nella commutazione del dominio ferroelettrico.
La tecnica, e come è stato utilizzato per fare questa scoperta, è stato descritto in un articolo pubblicato oggi in Comunicazioni sulla natura chiamato "Rivelazione del carattere di commutazione ferroelettrica utilizzando reti neurali ricorrenti profonde". Altri autori includono ricercatori dell'Università della California, Berkeley; Laboratorio Nazionale Lawrence Berkeley; Università del Texas ad Arlington; Università statale della Pennsylvania, Parco Universitario; e, Il Center for Nanophase Materials Science presso l'Oak Ridge National Laboratory.
Il team è tra i primi nel campo della scienza dei materiali a pubblicare il documento tramite un software open source progettato per consentire l'elaborazione interattiva. La carta, così come il codice, sono disponibili come taccuino Jupyter, che gira su Google Collaboratory, un servizio di cloud computing gratuito. Qualsiasi ricercatore può accedere al paper e al codice, prova il metodo, modificare i parametri e, anche, provalo sui propri dati. Condividendo i dati, codici di analisi e descrizioni Agar spera che questo approccio venga utilizzato in comunità al di fuori di coloro che utilizzano questa tecnica di caratterizzazione iperspettrale presso il Center for Nanophase Materials Science presso l'Oak Ridge National Laboratory.
Secondo Agar, l'approccio della rete neurale potrebbe avere ampie applicazioni:"Potrebbe essere utilizzato nella microscopia elettronica, nella microscopia a effetto tunnel e persino nella fotografia aerea, "dice Agar. "Attraversa i confini."
Infatti, la tecnica della rete neurale è nata dal lavoro che Agar ha fatto con Joshua Bloom, Professore di Astronomia a Berkeley che è stato precedentemente pubblicato in Astronomia della natura . Agar ha adattato e applicato la tecnica all'uso dei materiali.
"Il mio collega di astronomia stava osservando il cielo notturno, guardando diverse stelle e cercando di classificare che tipo di stella sono in base ai loro profili di intensità luminosa, "dice Agar.
Utilizzo di un approccio di rete neurale per analizzare i dati di imaging iperspettrale
Applicando la tecnica della rete neurale, che utilizza modelli utilizzati nell'elaborazione del linguaggio naturale, Agar e i suoi colleghi sono stati in grado di visualizzare e visualizzare direttamente un'importante sottigliezza nella commutazione di un materiale ferroelettrico classico:il titanato di zirconio di piombo che, prima di questo, non era mai stato fatto.
Quando il materiale cambia il suo stato di polarizzazione sotto un campo elettrico esterno, spiega Agar, forma un muro di dominio, o un confine tra due diversi orientamenti di polarizzazione. A seconda della geometria, le cariche possono quindi accumularsi a quel confine. La conduttività modulare di queste interfacce a parete di dominio è fondamentale per il forte potenziale del materiale per l'uso in transistor e dispositivi di memoria.
"Quello che stiamo rilevando qui da una prospettiva fisica è la formazione di diversi tipi di pareti di dominio che sono cariche o scariche, a seconda della geometria, "dice Agar.
Secondo Agar, questa scoperta non sarebbe stata possibile utilizzando approcci di apprendimento automatico più primitivi, poiché tali tecniche tendono a utilizzare modelli lineari per identificare le correlazioni lineari. Tali modelli non possono gestire in modo efficiente dati strutturati o effettuare le complesse correlazioni necessarie per comprendere i dati generati dall'imaging iperspettrale.
C'è una natura di scatola nera nel tipo di rete neurale che Agar ha sviluppato. Il metodo funziona attraverso un impilamento di singoli componenti matematici in architetture complesse. Il sistema quindi si ottimizza "scorrendo i dati più e più volte finché non identifica ciò che è importante".
Agar quindi crea un semplice, rappresentazione a bassa dimensionalità di quel modello con meno parametri.
"Per interpretare l'output potrei:'Quali 10 parametri sono più importanti per definire tutte le caratteristiche nel set di dati?'", afferma Agar. "E poi posso visualizzare come quei 10 parametri influenzano la risposta e, utilizzando tali informazioni, identificare le caratteristiche importanti."
L'interfaccia nano-umana
Il lavoro di Agar su questo progetto è stato parzialmente supportato da una sovvenzione TRIPODS+X, un programma di premi della National Science Foundation che supporta i team collaborativi per portare nuove prospettive su problemi di data science complessi e radicati. Il lavoro fa anche parte della Nano/Human Interface Presidential Engineering Research Initiative di Lehigh.
"Questo strumento potrebbe essere un approccio perché, una volta addestrato, un sistema di rete neurale può valutare un nuovo pezzo di dati molto velocemente, " dice Agar. "Potrebbe rendere possibile prendere flussi di dati molto grandi ed elaborarli al volo. Una volta elaborato, i dati possono essere condivisi con qualcuno in modo interpretabile, trasformando quel grande flusso di dati in informazioni fruibili."