IA descobre novas nanoestruturas — Ciência

As estruturas recém-descobertas foram formadas por um processo chamado automontagem, no qual as moléculas de um material se organizam em padrões únicos. Os cientistas do Centro de Nanomateriais Funcionais (CFN) de Brookhaven são especialistas em direcionar o processo de automontagem, criando modelos de materiais para formar arranjos desejáveis ​​para aplicações em microeletrônica, catálise e muito mais. A descoberta da escada em nanoescala e outras novas estruturas amplia ainda mais o escopo das aplicações de automontagem.

“A auto-montagem pode ser usada como uma técnica para nanopadronização, que é um driver para avanços em microeletrônica e hardware de computador”, disse o cientista CFN e co-autor Gregory Doerk. “Essas tecnologias estão sempre buscando uma resolução mais alta usando nanopadrões menores. Você pode obter recursos realmente pequenos e rigidamente controlados a partir de materiais de montagem automática, mas eles não obedecem necessariamente ao tipo de regras que estabelecemos para circuitos, por exemplo. Ao direcionar auto-montagem usando um modelo, podemos formar padrões que são mais úteis.”

Os cientistas da equipe do CFN, que é um DOE Office of Science User Facility, pretendem construir uma biblioteca de tipos de nanopadrões automontados para ampliar suas aplicações. Em estudos anteriores, eles demonstraram que novos tipos de padrões são possíveis pela mistura de dois materiais que se automontam.

“O fato de agora podermos criar uma estrutura em escada, com a qual ninguém jamais sonhou antes, é incrível”, disse o líder do grupo CFN e co-autor Kevin Yager. “A auto-montagem tradicional só pode formar estruturas relativamente simples, como cilindros, folhas e esferas. Mas, misturando dois materiais e usando apenas a grade química certa, descobrimos que estruturas inteiramente novas são possíveis.”

A mistura de materiais de automontagem permitiu que os cientistas do CFN descobrissem estruturas únicas, mas também criou novos desafios. Com muito mais parâmetros para controlar no processo de automontagem, encontrar a combinação certa de parâmetros para criar estruturas novas e úteis é uma batalha contra o tempo. Para acelerar suas pesquisas, os cientistas do CFN alavancaram uma nova capacidade de IA: a experimentação autônoma.

Em colaboração com o Centro de Matemática Avançada para Aplicações de Pesquisa de Energia (CAMERA) no Laboratório Nacional Lawrence Berkeley do DOE, cientistas de Brookhaven no CFN e a Fonte Nacional de Luz Síncrotron II (NSLS-II), outra Instalação de Usuário do Escritório de Ciências do DOE no Brookhaven Lab, desenvolvemos uma estrutura de IA que pode definir e executar autonomamente todas as etapas de um experimento. O algoritmo gpCAM da CAMERA conduz a tomada de decisão autônoma da estrutura. A pesquisa mais recente é a primeira demonstração bem-sucedida da equipe sobre a capacidade do algoritmo de descobrir novos materiais.

“O gpCAM é um algoritmo e software flexível para experimentação autônoma”, disse o cientista e coautor do Berkeley Lab, Marcus Noack. “Ele foi usado de maneira particularmente engenhosa neste estudo para explorar de forma autônoma diferentes recursos do modelo”.

“Com a ajuda de nossos colegas do Berkeley Lab, tínhamos esse software e metodologia prontos para uso e agora os usamos com sucesso para descobrir novos materiais”, disse Yager. “Agora aprendemos o suficiente sobre ciência autônoma para que possamos pegar um problema de materiais e convertê-lo em um problema autônomo com bastante facilidade”.

Para acelerar a descoberta de materiais usando seu novo algoritmo, a equipe primeiro desenvolveu uma amostra complexa com um espectro de propriedades para análise. Os pesquisadores fabricaram a amostra usando a instalação de nanofabricação de CFN e realizaram a automontagem na instalação de síntese de material CFN.

“Uma maneira antiga de fazer ciência de materiais é sintetizar uma amostra, medi-la, aprender com ela e depois voltar e fazer uma amostra diferente e continuar iterando esse processo”, disse Yager. “Em vez disso, fizemos uma amostra que tem um gradiente de cada parâmetro em que estamos interessados. Essa única amostra é, portanto, uma vasta coleção de muitas estruturas materiais distintas.”

Em seguida, a equipe trouxe a amostra para o NSLS-II, que gera raios-x ultrabrilhantes para estudar a estrutura dos materiais. O CFN opera três estações experimentais em parceria com a NSLS-II, uma das quais foi utilizada neste estudo, a linha de luz Soft Matter Interfaces (SMI).

“Um dos pontos fortes da linha de luz SMI é sua capacidade de focar o feixe de raios-x na amostra até mícrons”, disse o cientista do NSLS-II e co-autor Masa Fukuto. “Ao analisar como esses raios X de microfeixe são espalhados pelo material, aprendemos sobre a estrutura local do material no ponto iluminado. Medições em muitos pontos diferentes podem revelar como a estrutura local varia ao longo da amostra de gradiente. Neste trabalho, nós deixe o algoritmo de IA escolher, em tempo real, qual ponto medir a seguir para maximizar o valor de cada medição.”

Como a amostra foi medida na linha de luz SMI, o algoritmo, sem intervenção humana, criou um modelo do numeroso e diversificado conjunto de estruturas do material. O modelo se atualizava a cada medição subseqüente de raio-x, tornando cada medição mais perspicaz e precisa.

Em questão de horas, o algoritmo identificou três áreas-chave na amostra complexa para os pesquisadores do CFN estudarem mais de perto. Eles usaram a instalação de microscopia eletrônica do CFN para obter imagens dessas áreas-chave com detalhes requintados, descobrindo os trilhos e degraus de uma escada em nanoescala, entre outros recursos inovadores.

Do início ao fim, o experimento durou cerca de seis horas. Os pesquisadores estimam que precisariam de cerca de um mês para fazer essa descoberta usando métodos tradicionais.

“Métodos autônomos podem acelerar tremendamente a descoberta”, disse Yager. “É essencialmente ‘apertar’ o ciclo de descoberta usual da ciência, para que possamos alternar entre hipóteses e medições mais rapidamente. Além da velocidade, no entanto, os métodos autônomos aumentam o escopo do que podemos estudar, o que significa que podemos enfrentar problemas científicos mais desafiadores. “

“Avançando, queremos investigar a complexa interação entre vários parâmetros. Realizamos simulações usando o cluster de computadores CFN que verificou nossos resultados experimentais, mas eles também sugeriram como outros parâmetros, como a espessura do filme, também podem desempenhar um papel importante.” disse Doerk.

A equipe está aplicando ativamente seu método de pesquisa autônomo a problemas de descoberta de materiais ainda mais desafiadores na automontagem, bem como em outras classes de materiais. Os métodos de descoberta autônoma são adaptáveis ​​e podem ser aplicados a praticamente qualquer problema de pesquisa.

“Agora estamos implantando esses métodos para a ampla comunidade de usuários que vêm para CFN e NSLS-II para realizar experimentos”, disse Yager. “Qualquer pessoa pode trabalhar conosco para acelerar a exploração de suas pesquisas de materiais. Prevemos que isso potencializará uma série de novas descobertas nos próximos anos, inclusive em áreas de prioridade nacional, como energia limpa e microeletrônica.”

Esta pesquisa foi apoiada pelo DOE Office of Science.