Ученые из Брукхейвенской национальной лаборатории Министерства энергетики США (DOE) успешно продемонстрировали, что автономные методы могут открывать новые материалы. Техника, основанная на искусственном интеллекте (ИИ), привела к открытию трех новых наноструктур, в том числе первой в своем роде наноразмерной «лестницы». Исследование было опубликовано сегодня в журнале Science Advances.

Недавно обнаруженные структуры были сформированы в процессе, называемом самосборкой , в котором молекулы материала организуются в уникальные узоры. Ученые из Брукхейвенского центра функциональных наноматериалов (CFN) являются экспертами в управлении процессом самосборки, создании шаблонов материалов для формирования желаемых механизмов для приложений в микроэлектронике, катализе и многом другом. Их открытие наноразмерной лестницы и других новых структур еще больше расширяет область применения самосборки.

«Самосборка может быть использована в качестве метода создания нанопаттернов, что является движущей силой для достижений в области микроэлектроники и компьютерного оборудования», — сказал ученый CFN и соавтор Грегори Доерк. «Эти технологии всегда стремятся к более высокому разрешению с использованием меньших наноструктур. Вы можете получить очень маленькие и строго контролируемые элементы из самособирающихся материалов, но они не обязательно подчиняются тем правилам, которые мы устанавливаем, например, для схем. самосборки с использованием шаблона, мы можем формировать более полезные шаблоны».

Штатные ученые из CFN, который является пользовательским центром Министерства энергетики США, стремятся создать библиотеку самособирающихся типов наноструктур для расширения их приложений. В предыдущих исследованиях они продемонстрировали, что новые типы узоров становятся возможными благодаря смешиванию двух самособирающихся материалов.

«Тот факт, что теперь мы можем создать лестничную структуру, о которой раньше никто и не мечтал, просто удивителен», — сказал руководитель группы CFN и соавтор Кевин Ягер. «Традиционная самосборка может формировать только относительно простые структуры, такие как цилиндры, листы и сферы. Но, смешивая два материала вместе и используя только подходящую химическую решетку, мы обнаружили, что возможны совершенно новые структуры».

Смешивание самособирающихся материалов вместе позволило ученым CFN открыть уникальные структуры, но также создало новые проблемы. Поскольку в процессе самосборки нужно контролировать гораздо больше параметров, найти правильную комбинацию параметров для создания новых и полезных структур — это битва со временем. Чтобы ускорить свои исследования, ученые CFN использовали новую возможность искусственного интеллекта: автономные эксперименты .

В сотрудничестве с Центром передовой математики для приложений энергетических исследований (CAMERA) в Национальной лаборатории Министерства энергетики США Лоуренса в Беркли, учеными Брукхейвена из CFN и Национальным источником синхротронного света II (NSLS-II), еще одним учреждением для пользователей Управления науки Министерства энергетики в Брукхейвенской лаборатории. разрабатывают структуру искусственного интеллекта , которая может автономно определять и выполнять все этапы эксперимента. Алгоритм gpCAM CAMERA управляет автономным принятием решений фреймворком. Последнее исследование является первой успешной демонстрацией способности алгоритма обнаруживать новые материалы.

«gpCAM — это гибкий алгоритм и программное обеспечение для автономных экспериментов», — сказал ученый из лаборатории Беркли и соавтор Маркус Ноак. «В этом исследовании он был использован особенно изобретательно для автономного изучения различных особенностей модели».

«С помощью наших коллег из Berkeley Lab у нас было готово это программное обеспечение и методология, и теперь мы успешно использовали их для открытия новых материалов», — сказал Ягер. «Теперь мы достаточно узнали об автономной науке, чтобы взять проблему материалов и довольно легко преобразовать ее в автономную проблему».

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

«Способ изучения материалов старой школы состоит в том, чтобы синтезировать образец, измерить его, извлечь из него уроки, а затем вернуться назад, сделать другой образец и продолжать повторять этот процесс», — сказал Ягер. «Вместо этого мы сделали образец с градиентом каждого интересующего нас параметра. Таким образом, этот единственный образец представляет собой обширную коллекцию множества различных материальных структур».

Затем команда доставила образец на NSLS-II, который генерирует сверхяркие рентгеновские лучи для изучения структуры материалов. CFN управляет тремя экспериментальными станциями в партнерстве с NSLS-II, одна из которых использовалась в этом исследовании, лучевая линия Soft Matter Interfaces (SMI).

«Одной из сильных сторон линии луча SMI является ее способность фокусировать рентгеновский луч на образце с точностью до микрона», — сказал ученый NSLS-II и соавтор Маса Фукуто. «Анализируя, как эти микропучки рентгеновских лучей рассеиваются материалом, мы узнаем о локальной структуре материала в освещенном пятне. Измерения во многих разных точках могут затем показать, как локальная структура меняется в градиентном образце. В этой работе мы позвольте алгоритму искусственного интеллекта на лету выбрать, какое место следует измерить дальше, чтобы максимизировать ценность каждого измерения».

Поскольку образец был измерен на линии луча SMI, алгоритм без вмешательства человека создал модель из многочисленного и разнообразного набора структур материала. Модель обновлялась при каждом последующем рентгеновском измерении, делая каждое измерение более информативным и точным.

За считанные часы алгоритм определил три ключевые области в сложной выборке, которые исследователям CFN нужно было изучить более внимательно. Они использовали электронную микроскопию CFN, чтобы отобразить эти ключевые области в мельчайших деталях, обнаружив рельсы и перекладины наноразмерной лестницы, среди других новых особенностей.

От начала до конца эксперимент длился около шести часов. По оценкам исследователей, им потребовалось бы около месяца, чтобы сделать это открытие с использованием традиционных методов.

«Автономные методы могут значительно ускорить открытие», — сказал Ягер. «Это, по сути, «затягивает» обычную петлю научных открытий, так что мы быстрее переключаемся между гипотезами и измерениями. Однако помимо скорости автономные методы увеличивают объем того, что мы можем изучать, а это означает, что мы можем решать более сложные научные проблемы. »

«Двигаясь вперед, мы хотим исследовать сложное взаимодействие между несколькими параметрами. Мы провели моделирование с использованием компьютерного кластера CFN, которое подтвердило наши экспериментальные результаты, но они также показали, как другие параметры, такие как толщина пленки, также могут играть важную роль». — сказал Дорк.

Команда активно применяет свой автономный исследовательский метод для решения еще более сложных проблем обнаружения материалов при самосборке, а также других классов материалов. Автономные методы обнаружения легко адаптируются и могут быть применены практически к любой исследовательской проблеме.

«Сейчас мы внедряем эти методы для широкого круга пользователей, которые приходят в CFN и NSLS-II для проведения экспериментов», — сказал Ягер. «Каждый может работать с нами, чтобы ускорить исследование своих материалов. Мы предвидим, что это даст возможность сделать множество новых открытий в ближайшие годы, в том числе в приоритетных национальных областях, таких как чистая энергия и микроэлектроника».