AI -algoritme identificerer ny forbindelse, der potentielt kan bruges til fotoniske enheder, biologisk inspirerede computere

Når ordene "kunstig intelligens" (AI) kommer til at tænke på, dine første tanker kan være super-smarte computere, eller robotter, der udfører opgaver uden at have brug for hjælp fra mennesker. Nu, et multi-institutionelt hold inklusive forskere fra National Institute of Standards and Technology (NIST) har opnået noget, der ikke er så langt væk:De udviklede en AI-algoritme kaldet CAMEO, der opdagede et potentielt nyttigt nyt materiale uden at kræve yderligere træning fra videnskabsmænd. AI-systemet kan hjælpe med at reducere mængden af ​​forsøg og fejl-tid, forskere bruger i laboratoriet, samtidig med at de maksimerer produktivitet og effektivitet i deres forskning.

Forskergruppen offentliggjorde deres arbejde på CAMEO i Naturkommunikation .

Inden for materialevidenskab, forskere søger at opdage nye materialer, der kan bruges i specifikke applikationer, såsom et "metal, der er let, men også stærkt til at bygge en bil, eller en, der kan modstå høje belastninger og temperaturer for en jetmotor, " sagde NIST-forsker Aaron Gilad Kusne.

Men at finde sådanne nye materialer kræver normalt et stort antal koordinerede eksperimenter og tidskrævende teoretiske søgninger. Hvis en forsker er interesseret i, hvordan et materiales egenskaber varierer med forskellige temperaturer, så skal forskeren muligvis køre 10 forsøg ved 10 forskellige temperaturer. Men temperatur er kun én parameter. Hvis der er fem parametre, hver med 10 værdier, så skal forsker køre eksperimentet 10 x 10 x 10 x 10 x 10 gange, i alt 100, 000 eksperimenter. Det er næsten umuligt for en forsker at udføre så mange eksperimenter på grund af de år eller årtier, det kan tage, Sagde Kusne.

Det er her CAMEO kommer ind i billedet. En forkortelse for Closed-Loop Autonomous System for Materials Exploration and Optimization, CAMEO kan sikre, at hvert eksperiment maksimerer videnskabsmandens viden og forståelse, springe over eksperimenter, der ville give overflødig information. At hjælpe videnskabsmænd med at nå deres mål hurtigere med færre eksperimenter gør det også muligt for laboratorier at bruge deres begrænsede ressourcer mere effektivt. Men hvordan er CAMEO i stand til at gøre dette?

Metoden bag maskinen

Machine learning er en proces, hvor computerprogrammer kan få adgang til data og selv behandle dem, automatisk forbedre sig i stedet for at stole på gentagen træning. Dette er grundlaget for CAMEO, en selvlærende AI, der bruger forudsigelse og usikkerhed til at afgøre, hvilket eksperiment der skal prøves næste gang.

Som antydet af dets navn, CAMEO leder efter et nyttigt nyt materiale ved at operere i et lukket kredsløb:Det bestemmer, hvilket eksperiment der skal køres på et materiale, laver eksperimentet, og indsamler data. Det kan også bede om mere information, såsom krystalstrukturen af ​​det ønskede materiale, fra videnskabsmanden før det næste eksperiment blev kørt, som er informeret af alle tidligere eksperimenter udført i løkken.

"Nøglen til vores eksperiment var, at vi var i stand til at frigøre CAMEO på et kombinatorisk bibliotek, hvor vi havde lavet en lang række materialer med alle forskellige sammensætninger, "sagde Ichiro Takeuchi, en materialevidenskabelig og ingeniørforsker og professor ved University of Maryland. I en sædvanlig kombinatorisk undersøgelse, hvert materiale i arrayet ville blive målt sekventielt for at lede efter forbindelsen med de bedste egenskaber. Selv med en hurtig måleopsætning, det tager lang tid. Med CAMEO, det tog kun en lille brøkdel af det sædvanlige antal mål for at finde det bedste materiale.

AI er også designet til at indeholde viden om nøgleprincipper, herunder viden om tidligere simuleringer og laboratorieeksperimenter, hvordan udstyret fungerer, og fysiske begreber. For eksempel, forskerne bevæbnede CAMEO med viden om fasekortlægning, som beskriver hvordan arrangementet af atomer i et materiale ændres med kemisk sammensætning og temperatur.

At forstå, hvordan atomer er arrangeret i et materiale, er vigtigt for at bestemme dets egenskaber, såsom hvor hårdt eller hvor elektrisk isolerende det er, og hvor godt det er egnet til en bestemt applikation.

"AI'en er uden opsyn. Mange typer AI skal trænes eller overvåges. I stedet for at bede den om at lære fysiske love, vi koder dem ind i AI. Du behøver ikke et menneske for at træne AI, sagde Kusne.

En af de bedste måder at finde ud af strukturen af ​​et materiale er ved at bombardere det med røntgenstråler, i en teknik kaldet røntgendiffraktion. Ved at identificere de vinkler, som røntgenstrålerne preller af, videnskabsmænd kan bestemme, hvordan atomer er arrangeret i et materiale, gør dem i stand til at finde ud af dens krystalstruktur. Imidlertid, et enkelt internt røntgendiffraktionsforsøg kan tage en time eller mere. På en synkrotronanlæg, hvor en stor maskine på størrelse med en fodboldbane accelererer elektrisk ladede partikler ved tæt på lysets hastighed, denne proces kan tage 10 sekunder, fordi de hurtigt bevægende partikler udsender et stort antal røntgenstråler. Dette er den metode, der blev brugt i eksperimenterne, som blev udført ved Stanford Synchrotron Radiation Lightsource (SSRL).

Algoritmen er installeret på en computer, der forbinder til røntgendiffraktionsudstyret over et datanetværk. CAMEO beslutter, hvilken materialesammensætning der skal studeres næste gang ved at vælge hvilket materiale røntgenstrålerne fokuserer på for at undersøge dets atomare struktur. Med hver ny iteration, CAMEO lærer af tidligere målinger og identificerer det næste materiale, der skal studeres. Dette giver AI'en mulighed for at udforske, hvordan et materiales sammensætning påvirker dets struktur og identificere det bedste materiale til opgaven.

"Tænk på denne proces som at prøve at lave den perfekte kage, " sagde Kusne. "Du blander forskellige typer ingredienser, mel, æg, eller smør, bruger en række opskrifter til at lave den bedste kage." Med AI, det er at søge gennem "opskrifterne" eller eksperimenterne for at bestemme den bedste sammensætning til materialet.

Den tilgang er, hvordan CAMEO opdagede materialet ?Ge?_4 ?Sb?_6 ?Te?_(7, ), som gruppen forkortede til GST467. CAMEO fik 177 potentielle materialer til at undersøge, dækker en lang række kompositionsopskrifter. For at nå frem til dette materiale, CAMEO udførte 19 forskellige eksperimentelle cyklusser, som tog 10 timer, sammenlignet med de anslåede 90 timer ville det have taget en videnskabsmand med det fulde sæt af 177 materialer.

Det nye materiale

Materialet er sammensat af tre forskellige grundstoffer (germanium, antimon og tellur, Ge-Sb-Te) og er et faseændringshukommelsesmateriale, det er, det ændrer sin atomstruktur fra krystallinsk (fast materiale med atomer i angivet, regelmæssige positioner) til amorft (fast materiale med atomer i tilfældige positioner), når det hurtigt smeltes ved at påføre varme. Denne type materiale bruges i elektroniske hukommelsesapplikationer såsom datalagring. Selvom der er uendelige sammensætningsvariationer mulige i Ge-Sb-Te legeringssystemet, det nye materiale GST467 opdaget af CAMEO er optimalt til faseændringsapplikationer.

Forskere ønskede, at CAMEO skulle finde den bedste Ge-Sb-Te-legering, en, der havde den største forskel i "optisk kontrast" mellem de krystallinske og amorfe tilstande. På en DVD eller Blu-ray-disk, for eksempel, optisk kontrast gør det muligt for en scanningslaser at læse disken ved at skelne mellem områder, der har høj eller lav reflektivitet. De fandt ud af, at GST467 har to gange den optiske kontrast af ?Ge?_2 ?Sb?_2 ?Te?_5, et velkendt materiale, der almindeligvis bruges til dvd'er. Den større kontrast gør det muligt for det nye materiale at overgå det gamle materiale med en betydelig margin.

GST467 har også applikationer til fotoniske switch -enheder, som styrer lysets retning i et kredsløb. De kan også anvendes i neuromorfisk databehandling, et studieområde fokuseret på at udvikle enheder, der efterligner strukturen og funktionen af ​​neuroner i hjernen, åbner muligheder for nye slags computere såvel som andre applikationer såsom at udtrække nyttige data fra komplekse billeder.

CAMEO's bredere applikationer

Forskerne mener, at CAMEO kan bruges til mange andre materialer. Koden til CAMEO er open source og vil være frit tilgængelig til brug for videnskabsmænd og forskere. Og i modsætning til lignende maskinlæringsmetoder, CAMEO opdagede en nyttig ny forbindelse ved at fokusere på sammensætning-struktur-egenskabsforholdet mellem krystallinske materialer. På denne måde algoritmen navigerede opdagelsesforløbet ved at spore den strukturelle oprindelse af et materiales funktioner.

En fordel ved CAMEO er at minimere omkostningerne, siden jeg foreslog, planlægning og afvikling af eksperimenter på synkrotronanlæg kræver tid og penge. Forskere anslår en tidobling i tid til forsøg med CAMEO, da antallet af udførte eksperimenter kan skæres ned med en tiendedel. Fordi AI kører målingerne, indsamle data og udføre analysen, dette reducerer også mængden af ​​viden, som en forsker skal bruge for at køre eksperimentet. Det eneste, forskeren skal fokusere på, er at køre AI.

En anden fordel er at give forskere mulighed for at arbejde eksternt. "Dette åbner op for en bølge af forskere til stadig at arbejde og være produktive uden egentlig at være i laboratoriet, " sagde Apurva Mehta, en forsker ved SLAC National Accelerator Laboratory. Dette kan betyde, at hvis forskere ønskede at arbejde med forskning, der involverer smitsomme sygdomme eller vira, såsom COVID-19, de kunne gøre det sikkert og eksternt, mens de var afhængige af AI til at udføre eksperimenterne i laboratoriet.

For nu, forskere vil fortsætte med at forbedre AI og forsøge at gøre algoritmerne i stand til at løse stadig mere komplekse problemer. "CAMEO har intelligensen fra en robotforsker, og det er bygget til at designe, løbe og lære af eksperimenter på en meget effektiv måde, sagde Kusne.