Las innovaciones en la ciencia de los materiales son tan esenciales para la vida moderna como la plomería interior, y pasan tan desapercibidas.

Por ejemplo, Las innovaciones en dispositivos semiconductores continúan permitiendo la transmisión de más información, más rápido y mediante un hardware más pequeño, como un dispositivo que cabe en las palmas de nuestras manos.

Las mejoras en las técnicas de obtención de imágenes han hecho posible recopilar montones de datos sobre las propiedades de los nanomateriales utilizados en dichos dispositivos. (Un nanómetro es la mil millonésima parte de un metro. Para la escala, una hebra de cabello humano tiene entre 50, 000 y 100, 000 nanómetros de espesor.)

"El desafío es que los enfoques analíticos que producen datos interpretables por humanos siguen estando mal equipados para la complejidad y la magnitud de los datos, "dice Joshua Agar, profesor asistente de ciencia de los materiales en la Universidad de Lehigh. "Sólo una fracción infinitesimalmente pequeña de los datos recopilados se traduce en conocimiento".

Agar estudia los ferroeléctricos a nanoescala, que son materiales que exhiben polarización eléctrica espontánea, como resultado de pequeños cambios en los átomos cargados, que pueden revertirse mediante la aplicación de un campo eléctrico externo. A pesar de las aplicaciones prometedoras en el almacenamiento / computación de información de baja potencia de próxima generación, eficiencia energética mediante la recolección de energía residual, refrigeración de estado sólido respetuosa con el medio ambiente y mucho más, Todavía es necesario resolver una serie de problemas para que los ferroeléctricos alcancen su máximo potencial.

Agar utiliza una técnica de imágenes hiperespectrales multimodal, disponible a través del programa del usuario en el Centro de Ciencias de Materiales Nanofásicos del Laboratorio Nacional de Oak Ridge, denominada microscopía de fuerza de piezrespuesta de excitación de banda. que mide las propiedades mecánicas de los materiales a medida que responden a los estímulos eléctricos. Estos supuestos en el lugar Las técnicas de caracterización permiten la observación directa de procesos a nanoescala en acción.

"Nuestros experimentos implican tocar el material con un voladizo y medir las propiedades del material mientras lo impulsamos con un campo eléctrico, "dice Agar". Básicamente, vamos a cada píxel y medimos la respuesta de una región muy pequeña del material a medida que lo conducimos a través de transformaciones ".

La técnica proporciona una gran cantidad de información sobre cómo está respondiendo el material y los tipos de procesos que están sucediendo a medida que pasa de un estado a otro. explica Agar.

"Obtienes este mapa para cada píxel con muchos espectros y diferentes respuestas, "dice Agar." Toda esta información sale de una vez con esta técnica. El problema es cómo se da cuenta de lo que está sucediendo porque los datos no están limpios, son ruidosos ".

Agar y sus colegas han desarrollado una técnica de inteligencia artificial (IA) que utiliza redes neuronales profundas para aprender de las enormes cantidades de datos generados por sus experimentos y extraer información útil. Al aplicar este método, él y su equipo han identificado, y visualizado por primera vez, diferencias impulsadas geométricamente en la conmutación de dominios ferroeléctricos.

La técnica, y cómo se utilizó para hacer este descubrimiento, ha sido descrito en un artículo publicado hoy en Comunicaciones de la naturaleza llamado "Revelación del carácter de conmutación ferroeléctrica mediante redes neuronales recurrentes profundas". Los autores adicionales incluyen investigadores de la Universidad de California, Berkeley; Laboratorio Nacional Lawrence Berkeley; Universidad de Texas en Arlington; Universidad del Estado de Pensilvania, Parque Universitario; y, El Centro de Ciencia de Materiales Nanofásicos del Laboratorio Nacional de Oak Ridge.

El equipo se encuentra entre los primeros en el campo de la ciencia de los materiales en publicar el artículo a través de un software de código abierto diseñado para permitir la computación interactiva. El papel, así como el código, están disponibles como Jupyter Notebook, que se ejecuta en Google Collaboratory, un servicio gratuito de computación en la nube. Cualquier investigador puede acceder al documento y al código, probar el método, modificar parámetros y, incluso, Pruébelo con sus propios datos. Compartiendo datos, códigos de análisis y descripciones Agar espera que este enfoque se utilice en comunidades fuera de las que utilizan esta técnica de caracterización hiperespectral en el Centro de Ciencia de Materiales Nanofásicos del Laboratorio Nacional de Oak Ridge.

Según Agar, el enfoque de la red neuronal podría tener amplias aplicaciones:"Podría usarse en microscopía electrónica, en microscopía de túnel de barrido e incluso en fotografía aérea, ", dice Agar." Cruza fronteras ".

De hecho, la técnica de la red neuronal surgió del trabajo que Agar hizo con Joshua Bloom, Profesor de Astronomía en Berkeley, que se publicó previamente en Astronomía de la naturaleza . Agar adaptó y aplicó la técnica a un uso de materiales.

"Mi colega de astronomía estaba examinando el cielo nocturno, mirando diferentes estrellas y tratando de clasificar qué tipo de estrella son en función de sus perfiles de intensidad de luz, "dice Agar.

Uso de un enfoque de red neuronal para analizar datos de imágenes hiperespectrales

Aplicando la técnica de la red neuronal, que utiliza modelos utilizados en el procesamiento del lenguaje natural, Agar y sus colegas pudieron obtener imágenes y visualizar directamente una sutileza importante en el cambio de un material ferroeléctrico clásico:titanato de plomo y circonio que, anterior a eso, nunca se había hecho.

Cuando el material cambia su estado de polarización bajo un campo eléctrico externo, explica Agar, forma un muro de dominio, o un límite entre dos orientaciones de polarización diferentes. Dependiendo de la geometría, las cargas pueden entonces acumularse en ese límite. La conductividad modular en estas interfaces de pared de dominio es clave para el gran potencial del material para su uso en transistores y dispositivos de memoria.

"Lo que estamos detectando aquí desde una perspectiva física es la formación de diferentes tipos de muros de dominio que están cargados o no cargados, dependiendo de la geometría, "dice Agar.

Según Agar, este descubrimiento no podría haber sido posible utilizando enfoques de aprendizaje automático más primitivos, ya que esas técnicas tienden a utilizar modelos lineales para identificar correlaciones lineales. Dichos modelos no pueden tratar de manera eficiente datos estructurados o realizar las complejas correlaciones necesarias para comprender los datos generados por imágenes hiperespectrales.

Existe una naturaleza de caja negra en el tipo de red neuronal que Agar ha desarrollado. El método funciona apilando componentes matemáticos individuales en arquitecturas complejas. Luego, el sistema se optimiza "revisando los datos una y otra vez hasta que identifica lo que es importante".

Agar luego crea un simple, baja representación dimensional de ese modelo con menos parámetros.

"Para interpretar el resultado, podría:'¿Cuáles son los 10 parámetros más importantes para definir todas las características en el conjunto de datos?'", Dice Agar. "Y luego puedo visualizar cómo esos 10 parámetros afectan la respuesta y, al usar esa información, identificar características importantes ".

La interfaz nanohumana

El trabajo de Agar en este proyecto fue parcialmente financiado por una subvención TRIPODS + X, un programa de premios de la National Science Foundation que apoya a los equipos de colaboración para aportar nuevas perspectivas para resolver problemas complejos y arraigados de la ciencia de datos. El trabajo también es parte de la Iniciativa de Investigación de Ingeniería Presidencial de Interfaz Nano / Humana de Lehigh.

"Esta herramienta podría ser un enfoque porque, una vez entrenado, un sistema de red neuronal puede evaluar un nuevo dato muy rápido, ", dice Agar." Podría hacer posible tomar flujos de datos muy grandes y procesarlos sobre la marcha. Una vez procesado, los datos se pueden compartir con alguien de una manera que sea interpretable, convirtiendo ese gran flujo de datos en información procesable ".