Des scientifiques du laboratoire national de Brookhaven du Département américain de l’énergie (DOE) ont démontré avec succès que des méthodes autonomes peuvent découvrir de nouveaux matériaux. La technique basée sur l’intelligence artificielle (IA) a conduit à la découverte de trois nouvelles nanostructures, dont une « échelle » à l’échelle nanométrique, la première du genre. La recherche a été publié aujourd’hui dans Les avancées scientifiques..
Les structures nouvellement découvertes ont été formées par un processus appelé auto-assemblage, dans lequel les molécules d’un matériau s’organisent en motifs uniques. Les scientifiques du Centre pour les nanomatériaux fonctionnels (CFN) de Brookhaven sont des experts dans la direction du processus d’auto-assemblage, créant des modèles de matériaux pour former des arrangements souhaitables pour des applications en microélectronique, en catalyse, etc. Leur découverte de l’échelle nanométrique et d’autres nouvelles structures élargit encore la portée des applications de l’auto-assemblage.
« L’auto-assemblage peut être utilisé comme une technique de nanopatterning, qui est un moteur pour les progrès de la microélectronique et du matériel informatique », a déclaré le scientifique et co-auteur du CFN, Gregory Doerk. « Ces technologies poussent toujours pour une résolution plus élevée en utilisant des nano-modèles plus petits. Vous pouvez obtenir des caractéristiques vraiment petites et étroitement contrôlées à partir de matériaux auto-assemblés, mais elles n’obéissent pas nécessairement au type de règles que nous élaborons pour les circuits, par exemple. En dirigeant auto-assemblage à l’aide d’un modèle, nous pouvons former des modèles qui sont plus utiles. »
Les scientifiques du personnel du CFN, qui est une installation d’utilisateurs du Bureau des sciences du DOE, visent à créer une bibliothèque de types de nanomodèles auto-assemblés pour élargir leurs applications. Dans des études précédentes, ils ont démontré que de nouveaux types de motifs sont rendus possibles en mélangeant deux matériaux auto-assemblés.
« Le fait que nous puissions maintenant créer une structure en échelle, dont personne n’avait jamais rêvé auparavant, est incroyable », a déclaré Kevin Yager, chef du groupe CFN et co-auteur. « L’auto-assemblage traditionnel ne peut former que des structures relativement simples comme des cylindres, des feuilles et des sphères. Mais en mélangeant deux matériaux ensemble et en utilisant juste le bon réseau chimique, nous avons découvert que des structures entièrement nouvelles sont possibles. »
Le mélange de matériaux auto-assemblés a permis aux scientifiques du CFN de découvrir des structures uniques, mais cela a également créé de nouveaux défis. Avec beaucoup plus de paramètres à contrôler dans le processus d’auto-assemblage, trouver la bonne combinaison de paramètres pour créer de nouvelles structures utiles est une bataille contre la montre. Pour accélérer leurs recherches, les scientifiques du CFN ont exploité une nouvelle capacité d’IA : l’expérimentation autonome.
En collaboration avec le Center for Advanced Mathematics for Energy Research Applications (CAMERA) du Lawrence Berkeley National Laboratory du DOE, les scientifiques de Brookhaven du CFN et de la National Synchrotron Light Source II (NSLS-II), une autre installation utilisateur du DOE Office of Science au Brookhaven Lab, ont développé un cadre d’IA capable de définir et d’effectuer de manière autonome toutes les étapes d’une expérience. L’algorithme gpCAM de CAMERA pilote la prise de décision autonome du framework. La dernière recherche est la première démonstration réussie de l’équipe de la capacité de l’algorithme à découvrir de nouveaux matériaux.
« gpCAM est un algorithme et un logiciel flexibles pour l’expérimentation autonome », a déclaré Marcus Noack, scientifique et co-auteur du Berkeley Lab. « Il a été utilisé de manière particulièrement ingénieuse dans cette étude pour explorer de manière autonome différentes caractéristiques du modèle. »
« Avec l’aide de nos collègues de Berkeley Lab, nous avions ce logiciel et cette méthodologie prêts à l’emploi, et maintenant nous les avons utilisés avec succès pour découvrir de nouveaux matériaux », a déclaré Yager. « Nous en avons maintenant suffisamment appris sur la science autonome pour pouvoir prendre un problème de matériaux et le convertir assez facilement en un problème autonome. »
Pour accélérer la découverte de matériaux à l’aide de leur nouvel algorithme, l’équipe a d’abord développé un échantillon complexe avec un spectre de propriétés pour l’analyse. Les chercheurs ont fabriqué l’échantillon à l’aide de l’installation de nanofabrication CFN et ont effectué l’auto-assemblage dans l’installation de synthèse de matériaux CFN.
« Une façon à l’ancienne de faire de la science des matériaux consiste à synthétiser un échantillon, à le mesurer, à en tirer des leçons, puis à revenir en arrière et à créer un échantillon différent et à répéter ce processus », a déclaré Yager. « Au lieu de cela, nous avons créé un échantillon qui présente un gradient de chaque paramètre qui nous intéresse. Cet échantillon unique est donc une vaste collection de nombreuses structures matérielles distinctes. »
Ensuite, l’équipe a apporté l’échantillon au NSLS-II, qui génère des rayons X ultra-brillants pour étudier la structure des matériaux. Le CFN exploite trois stations expérimentales en partenariat avec NSLS-II, dont l’une a été utilisée dans cette étude, la ligne de lumière Soft Matter Interfaces (SMI).
« L’une des forces de la ligne de lumière SMI est sa capacité à focaliser le faisceau de rayons X sur l’échantillon jusqu’au micron », a déclaré Masa Fukuto, scientifique et co-auteur de NSLS-II. « En analysant comment ces rayons X à microfaisceaux sont diffusés par le matériau, nous apprenons la structure locale du matériau au point éclairé. Des mesures à de nombreux endroits différents peuvent alors révéler comment la structure locale varie à travers l’échantillon de gradient. Dans ce travail, nous laissez l’algorithme d’IA choisir, à la volée, quel endroit mesurer ensuite pour maximiser la valeur de chaque mesure. »
Comme l’échantillon a été mesuré sur la ligne de lumière SMI, l’algorithme, sans intervention humaine, a créé un modèle de l’ensemble nombreux et diversifié de structures du matériau. Le modèle s’est mis à jour avec chaque mesure de rayons X ultérieure, rendant chaque mesure plus perspicace et précise.
En quelques heures, l’algorithme avait identifié trois domaines clés dans l’échantillon complexe que les chercheurs du CFN devaient étudier de plus près. Ils ont utilisé l’installation de microscopie électronique CFN pour imager ces zones clés avec des détails exquis, découvrant les rails et les échelons d’une échelle à l’échelle nanométrique, entre autres caractéristiques nouvelles.
Du début à la fin, l’expérience a duré environ six heures. Les chercheurs estiment qu’il leur aurait fallu environ un mois pour faire cette découverte en utilisant des méthodes traditionnelles.
« Les méthodes autonomes peuvent considérablement accélérer la découverte », a déclaré Yager. « Il s’agit essentiellement de » resserrer « la boucle de découverte habituelle de la science, de sorte que nous passons plus rapidement entre les hypothèses et les mesures. Au-delà de la vitesse, cependant, les méthodes autonomes augmentent la portée de ce que nous pouvons étudier, ce qui signifie que nous pouvons nous attaquer à des problèmes scientifiques plus difficiles. »
« À l’avenir, nous voulons étudier l’interaction complexe entre plusieurs paramètres. Nous avons effectué des simulations à l’aide du cluster informatique CFN qui a vérifié nos résultats expérimentaux, mais ils ont également suggéré comment d’autres paramètres, tels que l’épaisseur du film, peuvent également jouer un rôle important. dit Doerk.
L’équipe applique activement sa méthode de recherche autonome à des problèmes de découverte de matériaux encore plus difficiles en auto-assemblage, ainsi qu’à d’autres classes de matériaux. Les méthodes de découverte autonomes sont adaptables et peuvent être appliquées à presque tous les problèmes de recherche.
« Nous déployons maintenant ces méthodes auprès de la vaste communauté d’utilisateurs qui viennent au CFN et au NSLS-II pour mener des expériences », a déclaré Yager. « N’importe qui peut travailler avec nous pour accélérer l’exploration de sa recherche sur les matériaux. Nous prévoyons que cela permettra une foule de nouvelles découvertes dans les années à venir, y compris dans des domaines prioritaires nationaux comme l’énergie propre et la microélectronique.
Plus d’information:
Gregory S. Doerk et al, Découverte autonome de morphologies émergentes dans l’auto-assemblage dirigé de mélanges de copolymères blocs, Avancées scientifiques (2023). DOI : 10.1126/sciadv.add3687. www.science.org/doi/10.1126/sciadv.add3687