Generativ model afslører hemmeligheder bag materiel uorden

Forskere fra National University of Singapore (NUS) har brugt generative maskinlæringsmodeller til at udforske de forskellige metoder, hvor atomer mellem tilstødende krystaller i et piezoelektrisk materiale, som er materialer, der genererer en lille elektrisk spænding ved påføring af mekanisk stress, kan opleve uoverensstemmelser. Denne åbenbaring afslører de veje, hvorigennem uorden opstår i sådanne materialer.

Inden for materialevidenskaben involverer et mangeårigt spørgsmål forståelse af, om forskellige strukturelle forstyrrelser i komplekse materialer tjener værdifulde funktioner, med en nøgleudfordring at identificere typerne af lidelse inden for en bestemt prøve.

Et forskerhold ved NUS adresserede denne udfordring ved at kondensere en bred vifte af strukturel uorden i domænegrænser af et piezoelektrisk materiale til et lille sæt simple, flerskala probabilistiske regler. Med disse regler skabte de en generativ maskinlæringsmodel, der spændte over tre størrelsesordener i længdeskalaer, hvilket tillod studiet af materialets statistiske egenskaber ud over praktiske målegrænser.

Ledet af adjunkt Ne-te Duane Loh fra både Institut for Fysik og Institut for Biologiske Videnskaber ved NUS fandt forskerholdet ud af, at eksperimentelt observeret strukturel lidelse langs domænegrænserne for kalium-natriumniobat piezoelektriske film kunne destilleres til en overraskende kompakt sæt af simple sandsynlighedsregler. Disse regler kan dekomponeres i to sæt, der dominerer på forskellige længdeskalaer - Markov-kæde og tilfældige kerner. Brug af disse to sæt regler skaber ensemblet af domænegrænser for en specifik materialeprøve.

Holdet oversatte disse probabilistiske regler til "ordforrådet" og "grammatikken" i en fortolkelig maskinlæringsmodel for at generere og studere et stort spektrum af realistiske uordnede domænegrænser, der ikke kan skelnes fra eksperimentelle målinger. Denne generative model gav adgang til størrelsesordener flere observationer, end praktiske eksperimenter eller dyre beregninger efter første princip ville tillade.

Ved hjælp af denne model fandt forfatterne tidligere uopdagede domænegrænsemotiver i materialet, som er kædelignende strukturer, der kaster lys over faktorer, der kunne påvirke dets piezoelektriske respons. De fandt også bevis for, at disse domænegrænser maksimerer entropi. Dette gennembrud antyder, at fortolkbare maskinlæringsmodeller kan forstå den komplekse karakter af uorden i materialer, hvilket baner vejen for at forstå deres funktion og design.

Forskningsresultaterne blev offentliggjort i tidsskriftet Science Advances .

Denne forskning fortsætter holdets løbende integration af statistisk læring med atomopløsningselektronmikroskopi for at afbilde komplekse materialer. Dr. Jiadong Dan, den første forfatter og Eric og Wendy Schmidt AI i Science Fellow, sagde:"Vores arbejde kan generelt udvides og anvendes til andre vigtige systemer, hvor uorden spiller en væsentlig rolle i at kontrollere materialers fysiske egenskaber."

Holdet forestiller sig også yderligere undersøgelser af den funktionelle betydning af nyopdagede strukturelle motiver, hvilket fremhæver potentialet til at forstå og designe komplekse materialer.

Prof Loh tilføjede:"Dette arbejde supplerer vores tidligere læring af atomiske motivhierarkier. Sammen skubber de os i retning af at skabe ledsagende kunstig intelligens (AI) sammen med mikroskoper for at give hidtil uset, hurtig feedback."

Flere oplysninger: Jiadong Dan et al, En multiskala generativ model til at forstå lidelse i domænegrænser, Science Advances (2023). DOI:10.1126/sciadv.adj0904

Journaloplysninger: Videnskabelige fremskridt

Leveret af National University of Singapore