自动驾驶显微镜发现新材料的捷径

能源部橡树岭国家实验室的研究人员正在教授显微镜，以使用实验室纳米相材料科学中心开发的直观算法来推动发现，该算法可以指导能源技术、传感和计算新材料的突破。

ORNL计算科学与工程部和CNMS的MaximZiatdinov说：“有很多潜在的材料，其中一些我们根本无法用传统工具研究，需要更有效和系统的方法来设计和合成。”“我们可以使用智能自动化来访问未开发的材料，并为以前不可能的发现创建可共享、可重复的路径。”

该方法发表在NatureMachineIntelligence上，将物理学和机器学习相结合，使显微镜实验自动化，旨在研究纳米尺度材料的功能特性。

功能性材料对热或电等刺激有反应，旨在支持日常和新兴技术，从计算机和太阳能电池到人造肌肉和形状记忆材料。它们的独特特性与可以用先进的显微镜观察到的原子结构和微观结构有关。然而，挑战在于开发有效的方法来定位这些属性出现并可以研究的感兴趣区域。

扫描探针显微镜是探索功能材料结构-性质关系的重要工具。仪器用一个原子尖端的探针扫描材料表面，以绘制纳米尺度的结构——十亿分之一米的长度。它们还可以检测对一系列刺激的反应，从而深入了解极化切换、电化学反应、塑性变形或量子现象的基本机制。今天的显微镜可以对纳米方形网格进行逐点扫描，但这个过程可能非常缓慢，需要在几天内对一种材料进行测量。

“有趣的物理现象通常只表现在少数空间位置，并与特定但未知的结构元素相关联。虽然我们通常对我们旨在发现的物理现象的特征有一个想法，但要精确定位这些区域有效的兴趣是一个主要瓶颈，”前ORNLCNMS科学家和主要作者SergeiKalinin说，他现在在诺克斯维尔的田纳西大学工作。“我们的目标是教显微镜以比执行网格搜索更有效的方式积极地寻找具有有趣物理特性的区域。”

科学家们已经转向机器学习和人工智能来克服这一挑战，但传统算法需要大量的人工编码数据集，最终可能无法节省时间。

对于更智能的自动化方法，ORNL工作流程将基于人类的物理推理结合到机器学习方法中，并使用非常小的数据集(从不到1%的样本中获取的图像)作为起点。该算法根据在实验中学到的知识和从实验外部获得的知识来选择兴趣点。

作为概念验证，使用扫描探针显微镜演示了一个工作流程，并将其应用于经过充分研究的铁电材料。铁电体是具有可重新定向表面电荷的功能材料，可用于计算、驱动和传感应用。科学家们有兴趣了解这些材料可以存储的能量或信息量与控制该属性的本地域结构之间的联系。自动化实验发现了优化这些参数的特定拓扑缺陷。

Ziatdinov说：“要点是，该工作流程被应用于研究界熟悉的材料系统，并很快做出了一项以前不为人知的基本发现——在这种情况下，只需几个小时。”

结果比传统工作流程快几个数量级，代表了智能自动化的新方向。

Ziatdinov说：“我们希望摆脱只根据先前实验的数据训练计算机，而是教计算机如何像研究人员一样思考和学习。”“我们的方法受到人类直觉的启发，并认识到许多材料发现是通过依靠他们的专业知识和经验来猜测去哪里寻找的研究人员的反复试验而取得的。”

ORNL的YongtaoLiu负责让算法在CNMS的手术显微镜上运行的技术挑战。“这不是现成的能力，很多工作都需要连接硬件和软件，”刘说。“我们专注于扫描探针显微镜，但该设置可以应用于更广泛的用户社区可以访问的其他实验成像和光谱方法。”

该期刊文章发表为“通过主动学习对铁电材料结构-性质关系的实验发现”。

标签：