Cientistas da Universidade Nacional de Cingapura (NUS) utilizaram modelos generativos de aprendizado de máquina para explorar os diferentes métodos em que átomos entre cristais adjacentes em um material piezoelétrico, que são materiais que geram uma pequena tensão elétrica após aplicação de estresse mecânico, podem sofrer incompatibilidades. Esta revelação revela os caminhos pelos quais a desordem emerge em tais materiais.



No domínio da ciência dos materiais, uma questão de longa data envolve a compreensão se diferentes distúrbios estruturais em materiais complexos desempenham funções valiosas, sendo o principal desafio a identificação dos tipos de distúrbios dentro de uma amostra específica.

Uma equipe de pesquisa da NUS abordou esse desafio condensando uma ampla gama de distúrbios estruturais nos limites de domínio de um material piezoelétrico em um pequeno conjunto de regras probabilísticas simples e multiescalares. Com essas regras, eles criaram um modelo generativo de aprendizado de máquina que abrangeu três ordens de grandeza em escalas de comprimento, permitindo o estudo das propriedades estatísticas do material além dos limites práticos de medição.

Liderada pela professora assistente Ne-te Duane Loh, do Departamento de Física e do Departamento de Ciências Biológicas da NUS, a equipe de pesquisa descobriu que a desordem estrutural observada experimentalmente ao longo dos limites dos domínios dos filmes piezoelétricos de niobato de potássio e sódio poderia ser destilada em uma forma surpreendentemente conjunto compacto de regras probabilísticas simples. Essas regras poderiam ser decompostas em dois conjuntos que dominam em escalas de comprimento distintas – cadeia de Markov e núcleos aleatórios. O uso desses dois conjuntos de regras cria o conjunto de limites de domínio para uma amostra de material específica.

A equipe traduziu essas regras probabilísticas no “vocabulário” e na “gramática” de um modelo de aprendizado de máquina interpretável para gerar e estudar um vasto espectro de limites de domínio desordenados realistas que são indistinguíveis de medições experimentais. Este modelo generativo proporcionou acesso a muito mais observações do que a experimentação prática ou cálculos dispendiosos de primeiros princípios permitiriam.

Usando este modelo, os autores encontraram motivos de limites de domínio anteriormente não detectados no material, que são estruturas semelhantes a cadeias, lançando luz sobre fatores que poderiam afetar sua resposta piezoelétrica. Eles também encontraram evidências de que esses limites de domínio maximizam a entropia. Esta descoberta sugere que modelos interpretáveis ​​de aprendizagem automática podem compreender a natureza complexa da desordem nos materiais, abrindo caminho para a compreensão da sua função e design.

Os resultados da pesquisa foram publicados na revista Science Advances .

Esta pesquisa dá continuidade à integração contínua da equipe de aprendizagem estatística com microscopia eletrônica de resolução atômica para criar imagens de materiais complexos. Jiadong Dan, o primeiro autor e Eric e Wendy Schmidt AI in Science Fellow, disse:"Nosso trabalho pode ser geralmente estendido e aplicado a outros sistemas importantes onde a desordem desempenha um papel essencial no controle das propriedades físicas dos materiais."

A equipe também prevê mais investigações sobre a importância funcional de motivos estruturais recém-descobertos, destacando o potencial para compreender e projetar materiais complexos.

O professor Loh acrescentou:"Este trabalho complementa nosso aprendizado anterior sobre hierarquias de motivos atômicos. Juntos, eles nos levam a criar Inteligência Artificial (IA) companheira junto com microscópios para fornecer feedback rápido e sem precedentes."

Mais informações: Jiadong Dan et al, Um modelo generativo multiescala para entender a desordem nos limites de domínio, Science Advances (2023). DOI:10.1126/sciadv.adj0904
Informações do diário: Avanços da ciência

Fornecido pela Universidade Nacional de Cingapura