Künstliche Intelligenz entdeckt neue Nanostrukturen

Wissenschaftler des Brookhaven National Laboratory des US-Energieministeriums (DOE) haben erfolgreich gezeigt, dass autonome Methoden neue Materialien entdecken können. Die auf künstlicher Intelligenz (KI) basierende Technik führte zur Entdeckung von drei neuen Nanostrukturen, darunter eine einzigartige „Leiter“ im Nanomaßstab. Die Recherche war heute veröffentlicht in Wissenschaftliche Fortschritte..

Die neu entdeckten Strukturen wurden durch einen als Selbstorganisation bezeichneten Prozess gebildet, bei dem sich die Moleküle eines Materials zu einzigartigen Mustern organisieren. Wissenschaftler am Brookhaven Center for Functional Nanomaterials (CFN) sind Experten für die Lenkung des Selbstorganisationsprozesses und die Erstellung von Vorlagen für Materialien, um wünschenswerte Anordnungen für Anwendungen in der Mikroelektronik, Katalyse und mehr zu bilden. Ihre Entdeckung der Nanoleiter und anderer neuer Strukturen erweitert den Anwendungsbereich der Selbstorganisation weiter.

„Die Selbstorganisation kann als Technik für die Nanostrukturierung verwendet werden, was ein Motor für Fortschritte in der Mikroelektronik und Computerhardware ist“, sagte CFN-Wissenschaftler und Co-Autor Gregory Doerk. „Diese Technologien drängen immer auf eine höhere Auflösung mit kleineren Nanomustern. Sie können wirklich kleine und streng kontrollierte Merkmale aus selbstorganisierenden Materialien erhalten, aber sie gehorchen nicht unbedingt den Regeln, die wir zum Beispiel für Schaltkreise festlegen. Durch Lenkung Selbstmontage anhand einer Schablone, können wir Muster bilden, die nützlicher sind.“

Mitarbeiter des CFN, einer Benutzereinrichtung des DOE Office of Science, wollen eine Bibliothek mit selbstorganisierten Nanomustertypen aufbauen, um ihre Anwendungen zu erweitern. In früheren Studien haben sie gezeigt, dass neue Arten von Mustern möglich werden, indem zwei selbstorganisierende Materialien miteinander vermischt werden.

„Die Tatsache, dass wir jetzt eine Leiterstruktur schaffen können, von der noch nie jemand zuvor geträumt hat, ist erstaunlich“, sagte CFN-Gruppenleiter und Co-Autor Kevin Yager. „Herkömmliche Selbstorganisation kann nur relativ einfache Strukturen wie Zylinder, Platten und Kugeln bilden. Aber durch das Mischen zweier Materialien und die Verwendung genau des richtigen chemischen Gitters haben wir festgestellt, dass völlig neue Strukturen möglich sind.“

Das Mischen von selbstorganisierenden Materialien hat es CFN-Wissenschaftlern ermöglicht, einzigartige Strukturen aufzudecken, aber es hat auch neue Herausforderungen geschaffen. Da im Selbstorganisationsprozess viele weitere Parameter zu kontrollieren sind, ist es ein Kampf gegen die Zeit, die richtige Kombination von Parametern zu finden, um neue und nützliche Strukturen zu schaffen. Um ihre Forschung zu beschleunigen, nutzten die CFN-Wissenschaftler eine neue KI-Fähigkeit: autonomes Experimentieren.

In Zusammenarbeit mit dem Center for Advanced Mathematics for Energy Research Applications (CAMERA) am Lawrence Berkeley National Laboratory des DOE, Brookhaven-Wissenschaftlern am CFN und der National Synchrotron Light Source II (NSLS-II), einer weiteren Benutzereinrichtung des DOE Office of Science im Brookhaven Lab, haben ein KI-Framework entwickelt, das alle Schritte eines Experiments autonom definieren und durchführen kann. Der gpCAM-Algorithmus von CAMERA steuert die autonome Entscheidungsfindung des Frameworks. Die neueste Forschung ist die erste erfolgreiche Demonstration des Teams für die Fähigkeit des Algorithmus, neue Materialien zu entdecken.

„gpCAM ist ein flexibler Algorithmus und eine Software für autonomes Experimentieren“, sagte der Wissenschaftler und Co-Autor Marcus Noack vom Berkeley Lab. „Es wurde in dieser Studie besonders raffiniert eingesetzt, um verschiedene Merkmale des Modells autonom zu erkunden.“

„Mit Hilfe unserer Kollegen vom Berkeley Lab hatten wir diese Software und Methodik einsatzbereit, und jetzt haben wir sie erfolgreich eingesetzt, um neue Materialien zu entdecken“, sagte Yager. „Wir haben jetzt genug über autonome Wissenschaft gelernt, dass wir ein Materialproblem nehmen und es ziemlich einfach in ein autonomes Problem umwandeln können.“

Um die Materialentdeckung mit ihrem neuen Algorithmus zu beschleunigen, entwickelte das Team zunächst eine komplexe Probe mit einem Spektrum an Eigenschaften für die Analyse. Die Forscher stellten die Probe unter Verwendung der CFN-Nanofabrikationsanlage her und führten die Selbstorganisation in der CFN-Materialsyntheseanlage durch.

„Eine Art der Materialwissenschaft der alten Schule besteht darin, eine Probe zu synthetisieren, sie zu messen, daraus zu lernen und dann zurückzugehen und eine andere Probe zu machen und diesen Prozess weiter zu wiederholen“, sagte Yager. „Stattdessen haben wir eine Probe hergestellt, die einen Gradienten aller Parameter aufweist, an denen wir interessiert sind. Diese einzelne Probe ist somit eine riesige Sammlung vieler unterschiedlicher Materialstrukturen.“

Dann brachte das Team die Probe zu NSLS-II, das ultrahelle Röntgenstrahlen zur Untersuchung der Materialstruktur erzeugt. CFN betreibt drei Experimentierstationen in Partnerschaft mit NSLS-II, von denen eine in dieser Studie verwendet wurde, die Beamline Soft Matter Interfaces (SMI).

„Eine der Stärken der SMI-Beamline ist ihre Fähigkeit, den Röntgenstrahl bis auf Mikrometer genau auf die Probe zu fokussieren“, sagte NSLS-II-Wissenschaftler und Co-Autor Masa Fukuto. „Indem wir analysieren, wie diese Mikrostrahl-Röntgenstrahlen vom Material gestreut werden, lernen wir die lokale Struktur des Materials am beleuchteten Punkt kennen. Messungen an vielen verschiedenen Punkten können dann zeigen, wie sich die lokale Struktur über die Gradientenprobe hinweg verändert. In dieser Arbeit haben wir Lassen Sie den KI-Algorithmus spontan auswählen, welche Stelle als nächstes gemessen werden soll, um den Wert jeder Messung zu maximieren.

Als die Probe an der SMI-Beamline gemessen wurde, erstellte der Algorithmus ohne menschliches Eingreifen ein Modell der zahlreichen und vielfältigen Strukturen des Materials. Das Modell aktualisierte sich mit jeder nachfolgenden Röntgenmessung, wodurch jede Messung aufschlussreicher und genauer wurde.

Innerhalb weniger Stunden hatte der Algorithmus drei Schlüsselbereiche in der komplexen Probe identifiziert, die die CFN-Forscher genauer untersuchen sollten. Sie verwendeten die CFN-Elektronenmikroskopie-Einrichtung, um diese Schlüsselbereiche in exquisiten Details abzubilden, wobei sie neben anderen neuartigen Merkmalen die Schienen und Sprossen einer Leiter im Nanomaßstab freilegten.

Von Anfang bis Ende dauerte das Experiment etwa sechs Stunden. Die Forscher schätzen, dass sie etwa einen Monat gebraucht hätten, um diese Entdeckung mit herkömmlichen Methoden zu machen.

„Autonome Methoden können die Entdeckung enorm beschleunigen“, sagte Yager. „Es ist im Wesentlichen eine ‚Verengung‘ der üblichen Entdeckungsschleife der Wissenschaft, so dass wir schneller zwischen Hypothesen und Messungen wechseln. Über die reine Geschwindigkeit hinaus erweitern autonome Methoden jedoch den Umfang dessen, was wir untersuchen können, was bedeutet, dass wir anspruchsvollere wissenschaftliche Probleme angehen können. “

„In Zukunft wollen wir das komplexe Zusammenspiel mehrerer Parameter untersuchen. Wir haben Simulationen mit dem CFN-Computercluster durchgeführt, die unsere experimentellen Ergebnisse bestätigten, aber sie deuteten auch an, dass andere Parameter wie die Filmdicke ebenfalls eine wichtige Rolle spielen können.“ sagte Dörk.

Das Team wendet seine autonome Forschungsmethode aktiv auf noch anspruchsvollere Materialentdeckungsprobleme bei der Selbstorganisation sowie auf andere Materialklassen an. Autonome Entdeckungsmethoden sind anpassungsfähig und können auf nahezu jedes Forschungsproblem angewendet werden.

„Wir setzen diese Methoden jetzt für die breite Gemeinschaft von Benutzern ein, die zu CFN und NSLS-II kommen, um Experimente durchzuführen“, sagte Yager. „Jeder kann mit uns zusammenarbeiten, um die Exploration seiner Materialforschung zu beschleunigen. Wir gehen davon aus, dass dies in den kommenden Jahren eine Vielzahl neuer Entdeckungen ermöglichen wird, einschließlich in nationalen Schwerpunktbereichen wie saubere Energie und Mikroelektronik.“