Les microscopes autonomes découvrent des raccourcis vers de nouveaux matériaux

Les microscopes autonomes découvrent des raccourcis vers de nouveaux matériaux

Une approche intelligente de la microscopie et de l’imagerie développée au Laboratoire national d’Oak Ridge pourrait conduire à des découvertes de matériaux pour les technologies futures. Crédit : Adam Malin/ORNL, Département américain de l’énergie

Des chercheurs du laboratoire national d’Oak Ridge du ministère de l’Énergie enseignent aux microscopes à conduire des découvertes avec un algorithme intuitif, développé au Center for Nanophase Materials Sciences du laboratoire, qui pourrait guider les percées dans les nouveaux matériaux pour les technologies énergétiques, la détection et l’informatique.

“Il y a tellement de matériaux potentiels, dont certains que nous ne pouvons pas du tout étudier avec des outils conventionnels, qui nécessitent des approches plus efficaces et systématiques pour concevoir et synthétiser”, a déclaré Maxim Ziatdinov de la division des sciences et de l’ingénierie informatiques de l’ORNL et du CNMS. “Nous pouvons utiliser l’automatisation intelligente pour accéder à des matériaux inexplorés et créer un chemin partageable et reproductible vers des découvertes qui n’étaient pas possibles auparavant.”

L’approche, publiée dans Intelligence des machines naturellescombine la physique et l’apprentissage automatique pour automatiser les expériences de microscopie conçues pour étudier les propriétés fonctionnelles des matériaux à l’échelle nanométrique.

Les matériaux fonctionnels réagissent aux stimuli tels que la chaleur ou l’électricité et sont conçus pour prendre en charge les technologies quotidiennes et émergentes, allant des ordinateurs et des cellules solaires aux muscles artificiels et aux matériaux à mémoire de forme. Leurs propriétés uniques sont liées aux structures atomiques et aux microstructures qui peuvent être observées avec une microscopie avancée. Cependant, le défi a été de développer des moyens efficaces pour localiser les régions d’intérêt où ces propriétés émergent et peuvent être étudiées.

La microscopie à sonde à balayage est un outil essentiel pour explorer les relations structure-propriété dans les matériaux fonctionnels. Des instruments scannent la surface des matériaux avec une sonde atomiquement pointue pour cartographier la structure à l’échelle du nanomètre, soit la longueur d’un milliardième de mètre. Ils peuvent également détecter les réponses à une gamme de stimuli, fournissant des informations sur les mécanismes fondamentaux de la commutation de polarisation, de la réactivité électrochimique, de la déformation plastique ou des phénomènes quantiques. Les microscopes d’aujourd’hui peuvent effectuer un balayage point par point d’une grille carrée nanométrique, mais le processus peut être extrêmement lent, avec des mesures collectées sur plusieurs jours pour un seul matériau.

“Les phénomènes physiques intéressants ne se manifestent souvent que dans un petit nombre d’emplacements spatiaux et sont liés à des éléments structurels spécifiques mais inconnus. Bien que nous ayons généralement une idée de ce que seront les traits caractéristiques des phénomènes physiques que nous visons à découvrir, en identifiant ces régions de l’intérêt efficace est un goulot d’étranglement majeur », a déclaré l’ancien scientifique de l’ORNL CNMS et auteur principal Sergei Kalinin, maintenant à l’Université du Tennessee, Knoxville. “Notre objectif est d’apprendre aux microscopes à rechercher activement et de manière beaucoup plus efficace des régions avec une physique intéressante que d’effectuer une recherche par grille.”

Les scientifiques se sont tournés vers l’apprentissage automatique et l’intelligence artificielle pour surmonter ce défi, mais les algorithmes conventionnels nécessitent de grands ensembles de données codés par l’homme et peuvent ne pas gagner de temps au final.

Pour une approche plus intelligente de l’automatisation, le flux de travail ORNL intègre le raisonnement physique humain dans les méthodes d’apprentissage automatique et utilise de très petits ensembles de données (images acquises à partir de moins de 1 % de l’échantillon) comme point de départ. L’algorithme sélectionne les points d’intérêt en fonction de ce qu’il apprend au cours de l’expérience et des connaissances extérieures à l’expérience.

Comme preuve de concept, un flux de travail a été démontré à l’aide de la microscopie à sonde à balayage et appliqué à des matériaux ferroélectriques bien étudiés. Les ferroélectriques sont des matériaux fonctionnels avec une charge de surface réorientable qui peut être exploitée pour des applications de calcul, d’actionnement et de détection. Les scientifiques souhaitent comprendre le lien entre la quantité d’énergie ou d’informations que ces matériaux peuvent stocker et la structure du domaine local régissant cette propriété. L’expérience automatisée a découvert les défauts topologiques spécifiques pour lesquels ces paramètres sont optimisés.

“La conclusion est que le flux de travail a été appliqué à des systèmes matériels familiers à la communauté des chercheurs et a fait une découverte fondamentale, quelque chose d’inconnu auparavant, très rapidement – dans ce cas, en quelques heures”, a déclaré Ziatdinov.

Les résultats ont été plus rapides (par ordre de grandeur) que les flux de travail conventionnels et représentent une nouvelle direction dans l’automatisation intelligente.

“Nous voulions nous éloigner de la formation des ordinateurs exclusivement sur les données des expériences précédentes et plutôt apprendre aux ordinateurs à penser comme des chercheurs et à apprendre à la volée”, a déclaré Ziatdinov. “Notre approche s’inspire de l’intuition humaine et reconnaît que de nombreuses découvertes matérielles ont été faites grâce aux essais et erreurs de chercheurs qui s’appuient sur leur expertise et leur expérience pour deviner où chercher.”

Yongtao Liu de l’ORNL était responsable du défi technique consistant à faire fonctionner l’algorithme sur un microscope opérationnel au CNMS. « Il ne s’agit pas d’une capacité prête à l’emploi, et beaucoup de travail est consacré à la connexion du matériel et des logiciels », a déclaré Liu. “Nous nous sommes concentrés sur la microscopie à sonde à balayage, mais la configuration peut être appliquée à d’autres approches expérimentales d’imagerie et de spectroscopie accessibles à une communauté d’utilisateurs plus large.”

L’article de journal est publié sous le titre “Découverte expérimentale des relations structure-propriété dans les matériaux ferroélectriques via l’apprentissage actif”.


La chimie automatisée donne un nouveau rythme à la découverte des matériaux


Plus d’information:
Yongtao Liu et al, Découverte expérimentale des relations structure-propriété dans les matériaux ferroélectriques via l’apprentissage actif, Intelligence des machines naturelles (2022). DOI : 10.1038/s42256-022-00460-0

Fourni par le laboratoire national d’Oak Ridge

Citation: Des microscopes autonomes découvrent des raccourcis vers de nouveaux matériaux (9 mai 2022) récupéré le 9 mai 2022 sur https://techxplore.com/news/2022-05-self-driving-microscopes-shortcuts-materials.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.