• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Química
    Cuando la experiencia humana mejora el trabajo de las máquinas

    Doctorado en Tecnología de Georgia El candidato Lee Griffin coloca la muestra de cristal único en la etapa de medición del microscopio de fuerza atómica modificado (es decir, microscopio de fuerza de respuesta piezométrica). Crédito:Rob Felt, Georgia Tech

    Los algoritmos de aprendizaje automático a veces pueden hacer un mejor trabajo con un poco de ayuda de la experiencia humana, al menos en el campo de la ciencia de los materiales.

    En muchas áreas especializadas de la ciencia, ingeniería y medicina, Los investigadores están recurriendo a algoritmos de aprendizaje automático para analizar conjuntos de datos que han crecido demasiado para que los humanos los comprendan. En ciencia de materiales, el éxito de este esfuerzo podría acelerar el diseño de materiales funcionales avanzados de próxima generación, donde el desarrollo ahora depende del ensayo y error a la antigua.

    Por ellos mismos, sin embargo, Las técnicas de análisis de datos tomadas de otras áreas de investigación a menudo no brindan la información necesaria para ayudar a los científicos e ingenieros de materiales a elegir cuál de las muchas variables ajustar, y no pueden tener en cuenta cambios dramáticos como la introducción de un nuevo compuesto químico en el proceso. En algunos materiales complejos como los ferroeléctricos, hasta 10 factores diferentes pueden afectar las propiedades del producto resultante.

    En un artículo publicado esta semana en la revista Materiales computacionales NPJ , Los investigadores explican cómo dar a las máquinas una ventaja para resolver el desafío mediante la organización inteligente de los datos que se analizarán en función del conocimiento humano de los factores que probablemente sean importantes y estén relacionados. Conocido como apilamiento dimensional, la técnica muestra que la experiencia humana todavía tiene un papel que desempeñar en la era de la inteligencia de las máquinas.

    La investigación fue patrocinada por la National Science Foundation y la Defense Threat Reduction Agency, así como la Fundación Nacional de Ciencias de Suiza. Se realizaron mediciones, en parte, en el Laboratorio Nacional de Oak Ridge en Oak Ridge, Tennesse.

    "Cuando su máquina acepta cadenas de datos, realmente importa cómo estás juntando esas cadenas, "dijo Nazanin Bassiri-Gharb, autor correspondiente del artículo y profesor de la Escuela de Ingeniería Mecánica George W. Woodruff del Instituto de Tecnología de Georgia. "Debemos tener en cuenta que la organización de los datos antes de que pasen al algoritmo marca la diferencia. Si no ingresa la información correctamente, obtendrá un resultado que no está necesariamente correlacionado con la realidad de la física y la química que gobiernan los materiales ".

    Bassiri-Gharb trabaja en ferroeléctricos, materiales cristalinos que exhiben polarizaciones eléctricas espontáneas conmutables por un campo eléctrico externo. Ampliamente utilizado por sus propiedades piezoeléctricas, que permiten que las entradas eléctricas generen salidas mecánicas, y movimiento mecánico para generar voltajes eléctricos; sus fórmulas químicas suelen ser complicadas, incluyendo plomo, manganeso, niobio, oxígeno, titanio, indio bismuto y otros elementos.

    Investigadores que llevan décadas trabajando para mejorar los materiales, quisiera desarrollar ferroeléctricos avanzados que no incluyan plomo. Pero las técnicas de diseño de prueba y error no han dado lugar a grandes avances, y no es la única que desea un enfoque más directo, uno que también podría conducir más rápidamente a mejoras en otros materiales funcionales utilizados en microelectrónica, baterías sistemas optoelectrónicos y otros campos de investigación críticos.

    Se carga una muestra de cristal único en la etapa de medición de un microscopio de fuerza atómica modificado (es decir, microscopio de fuerza de respuesta piezoeléctrica). Crédito:Rob Felt, Georgia Tech

    "Para la ciencia de los materiales, las cosas se ponen realmente complicadas, especialmente con los materiales funcionales, ", dijo Bassiri-Gharb." Como científicos de materiales, Es muy difícil diseñar los materiales si no entendemos por qué aumenta la respuesta. Hemos aprendido que las funcionalidades no están compartimentadas. Están interrelacionados entre muchas propiedades del material ".

    La técnica descrita en el documento implica un paso de preprocesamiento en el que los grandes conjuntos de datos se organizan de acuerdo con las propiedades físicas o químicas que tienen sentido para los científicos de materiales.

    "Como científico o ingeniero, tiene una idea de si existen o no correlaciones físicas o químicas, ", explicó." Tienes que ser consciente de qué tipo de correlaciones pueden existir. La forma en que apila los datos para analizarlos tendría implicaciones con respecto a las correlaciones físicas o químicas. Si hace esto correctamente, puede obtener más información de cualquier método de análisis de datos que esté utilizando ".

    Para probar las técnicas, Bassiri-Gharb y colaboradores Lee Griffin, Iaroslav Gaponenko, y Shujun Zhang probaron muestras de materiales relajantes-ferroeléctricos utilizados en equipos avanzados de imágenes ultrasónicas. Grifo, un asistente de investigación graduado de Georgia Tech y co-primer autor del artículo, hizo las mediciones experimentales. Zhang, investigador de la Universidad de Wollongong en Australia, proporcionó muestras para el estudio. Bassiri-Gharb y Gaponenko, un investigador afiliado en su grupo, desarrolló el enfoque.

    Usando una punta conductora en un microscopio de fuerza atómica, examinaron la respuesta electromecánica de una serie de muestras relacionadas químicamente, generando hasta 2, 500 mediciones dependientes del tiempo y del voltaje en una cuadrícula de puntos establecidos en cada muestra. El proceso generó cientos de miles de puntos de datos y proporcionó una buena prueba para el enfoque de apilamiento, conocido técnicamente como concatenación.

    "En lugar de simplemente mirar la composición química que proporciona la respuesta más alta, miramos una variedad de composiciones e intentamos descubrir los puntos en común, ", dijo." Descubrimos que si aplicamos este apilamiento de datos con algún proceso de pensamiento detrás de él, podríamos aprender más sobre estos interesantes materiales ".

    Entre sus hallazgos:aunque el material es un solo cristal, la respuesta funcional mostró un comportamiento altamente desordenado, recuerda a un material completamente desordenado como el vidrio. "Este comportamiento vítreo realmente persiste inesperadamente más allá de un pequeño porcentaje de las composiciones del material, ", dijo Bassiri-Gharb." Persiste en todas las composiciones que hemos visto ".

    Ella espera que la técnica finalmente conduzca a información que mejorará muchos materiales y sus funcionalidades. Saber qué productos químicos deben incluirse podría permitir a los científicos de materiales pasar a la siguiente fase:trabajar con los químicos para colocar los átomos correctos en los lugares correctos.

    "El gran objetivo de la funcionalidad de cualquier material es encontrar las pautas que proporcionarán las propiedades que queremos, ", dijo." Queremos encontrar el camino directo hacia las mejores composiciones para la próxima generación de estos materiales ".


    © Ciencia https://es.scienceaq.com