Neuralt netværksteknik identificerer mekanismer for ferroelektrisk switching

Innovationer inden for materialevidenskab er lige så afgørende for det moderne liv som indendørs VVS - og går næsten ubemærket hen.

For eksempel, innovationer inden for halvledende enheder gør det fortsat muligt at overføre flere oplysninger, hurtigere og gennem mindre hardware - f.eks. gennem en enhed, der passer i vores håndflader.

Forbedringer i billeddannelsesteknikker har gjort det muligt at indsamle høje data om egenskaberne af de nanomaterialer, der bruges i sådanne enheder. (Et nanometer er en milliardtedel af en meter. For målestok, en hårstreng er mellem 50, 000 og 100, 000 nanometer tyk.)

"Udfordringen er, at analytiske tilgange, der producerer data, der kan fortolkes af mennesker, stadig er dårligt rustet til kompleksiteten og størrelsen af ​​dataene, "siger Joshua Agar, adjunkt i materialevidenskab ved Lehigh University. "Kun en uendelig lille brøkdel af de indsamlede data oversættes til viden."

Agar undersøger ferroelektriske nanoskalaer, som er materialer, der udviser spontan elektrisk polarisering - som følge af små skift i ladede atomer - der kan vendes ved anvendelse af et eksternt elektrisk felt. På trods af lovende applikationer i næste generations energilagring/beregning med lav effekt energieffektivitet via høst af affaldsenergi, miljøvenlig solid-state køling og meget mere, en række spørgsmål mangler stadig at blive løst, for at ferroelektriske midler kan nå deres fulde potentiale.

Agar bruger en multimodal hyperspektral billeddannelsesteknik-tilgængelig via brugerprogrammet på Center for Nanophase Materials Sciences ved Oak Ridge National Laboratory-kaldet band-excitation piezoresponse force microscopy, som måler materialernes mekaniske egenskaber, når de reagerer på elektriske stimuli. Disse såkaldte in situ karakteriseringsteknikker giver mulighed for direkte observation af nanoskala -processer i aktion.

"Vores eksperimenter involverer at røre materialet med en udligger og måle materialets egenskaber, mens vi driver det med et elektrisk felt, "siger Agar." I det væsentlige, vi går til hver enkelt pixel og måler responsen fra en meget lille region af materialet, når vi driver det gennem transformationer. "

Teknikken giver enorme mængder information om, hvordan materialet reagerer, og hvilke former for processer, der sker, når det overgår mellem forskellige tilstande, forklarer Agar.

"Du får dette kort for hver pixel med mange spektre og forskellige svar, "siger Agar." Alle disse oplysninger kommer ud på én gang med denne teknik. Problemet er, hvordan du rent faktisk finder ud af, hvad der foregår, fordi dataene ikke er rene - det larmer. "

Agar og hans kolleger har udviklet en kunstig intelligens (AI) teknik, der bruger dybe neurale netværk til at lære af de enorme mængder data, der genereres af deres eksperimenter og udtrække nyttig information. Ved hjælp af denne metode har han og hans team identificeret-og visualiseret for første gang-geometrisk drevne forskelle i ferroelektrisk domæneskift.

Teknikken, og hvordan den blev brugt til at gøre denne opdagelse, er blevet beskrevet i en artikel, der blev offentliggjort i dag i Naturkommunikation kaldet "Afsløring af ferroelektrisk skiftekarakter ved hjælp af dybe tilbagevendende neurale netværk." Yderligere forfattere omfatter forskere fra University of California, Berkeley; Lawrence Berkeley National Laboratory; University Texas i Arlington; Pennsylvania State University, University Park; og, Center for Nanophase Materials Science ved Oak Ridge National Laboratory.

Teamet er blandt de første på det materialevidenskabelige område til at udgive papiret via open source -software designet til at muliggøre interaktiv computing. Papiret, samt koden, er tilgængelige som en Jupyter -notesbog, som kører på Google Collaboratory, en gratis cloud computing service. Enhver forsker kan få adgang til papiret og koden, teste metoden, ændre parametre og også selvom, prøv det på deres egne data. Ved at dele data, analysekoder og beskrivelser Agar håber, at denne tilgang bliver brugt i lokalsamfund uden for dem, der bruger denne hyperspektrale karakteriseringsteknik ved Center for Nanophase Materials Science ved Oak Ridge National Laboratory.

Ifølge Agar, den neurale netværksmetode kunne have brede anvendelser:"Den kunne bruges i elektronmikroskopi, ved scanning af tunnelmikroskopi og endda i luftfotografering, "siger Agar." Det krydser grænser. "

Faktisk, den neurale netværksteknik voksede ud af arbejde, Agar gjorde med Joshua Bloom, Professor i astronomi i Berkeley, som tidligere blev offentliggjort i Natur Astronomi . Agar tilpassede og anvendte teknikken til en materialebrug.

"Min astronomikollega undersøgte nattehimlen, ser på forskellige stjerner og forsøger at klassificere hvilken type stjerne de er baseret på deres lysintensitetsprofiler, «siger Agar.

Brug af en neural netværksmetode til at analysere hyperspektrale billeddannelsesdata

Anvendelse af neuralt netværksteknik, som bruger modeller, der bruges i Natural Language Processing, Agar og hans kolleger var i stand til direkte at forestille sig og visualisere en vigtig finesse ved skift af et klassisk ferroelektrisk materiale:blyzirkoniumtitanat, som, forud for dette, aldrig var blevet udført.

Når materialet skifter polariseringstilstand under et eksternt elektrisk felt, forklarer Agar, det danner en domænevæg, eller en grænse mellem to forskellige polarisationsorienteringer. Afhængigt af geometrien, afgifter kan derefter ophobes ved den grænse. Den modulære ledningsevne ved disse domæne -væggrænseflader er nøglen til materialets stærke potentiale for brug i transistorer og hukommelsesenheder.

"Det, vi her opdager ud fra et fysikperspektiv, er dannelsen af ​​forskellige typer domænevægge, der enten er ladede eller uladede, afhængigt af geometrien, «siger Agar.

Ifølge Agar, denne opdagelse kunne ikke have været mulig ved hjælp af mere primitive metoder til maskinlæring, da disse teknikker har tendens til at bruge lineære modeller til at identificere lineære korrelationer. Sådanne modeller kan ikke effektivt håndtere strukturerede data eller foretage de komplekse korrelationer, der er nødvendige for at forstå de data, der genereres af hyperspektral billeddannelse.

Der er en sort boks karakter til den type neurale netværk, Agar har udviklet. Metoden fungerer gennem en stabling af individuelle matematiske komponenter i komplekse arkitekturer. Systemet optimerer derefter sig selv ved at "chugge gennem dataene igen og igen, indtil det identificerer, hvad der er vigtigt."

Agar skaber derefter en enkel, lavdimensionel repræsentation af den model med færre parametre.

"For at fortolke output kan jeg:'Hvilke 10 parametre er vigtigst for at definere alle funktionerne i datasættet?'" Siger Agar. "Og så kan jeg visualisere, hvordan disse 10 parametre påvirker responsen, og ved at bruge disse oplysninger, identificere vigtige funktioner. "

Den nano-menneskelige grænseflade

Agars arbejde med dette projekt blev delvist understøttet af et TRIPODS+X -tilskud, et National Science Foundation -prisprogram, der støtter samarbejdende teams for at bringe nye perspektiver på komplekse og forankrede datavidenskabelige problemer. Arbejdet er også en del af Lehighs Nano/Human Interface Presidential Engineering Research Initiative.

"Dette værktøj kan være en tilgang, fordi, engang trænet, et neuralt netværkssystem kan evaluere et nyt stykke data meget hurtigt, "siger Agar." Det kunne gøre det muligt at tage meget store datastrømme og behandle dem i farten. Efter behandling, dataene kan deles med nogen på en måde, der kan tolkes, gør den store datastrøm til brugbar information. "