p As inovações na ciência dos materiais são tão essenciais para a vida moderna quanto o encanamento interno - e passam despercebidas. p Por exemplo, inovações em dispositivos semicondutores continuam a permitir a transmissão de mais informações, mais rápido e por meio de hardware menor, como por meio de um dispositivo que cabe na palma das nossas mãos.

p As melhorias nas técnicas de imagem tornaram possível coletar montes de dados sobre as propriedades dos nanomateriais usados ​​em tais dispositivos. (Um nanômetro é um bilionésimo de um metro. Para a escala, uma mecha de cabelo humano tem entre 50, 000 e 100, 000 nanômetros de espessura.)

p "O desafio é que as abordagens analíticas que produzem dados interpretáveis ​​por humanos continuam mal equipadas para a complexidade e magnitude dos dados, "diz Joshua Agar, professor assistente de ciência dos materiais na Lehigh University. "Apenas uma fração infinitesimalmente pequena dos dados coletados é traduzida em conhecimento."

p Agar estuda ferroelétricos em nanoescala, que são materiais que exibem polarização elétrica espontânea - como resultado de pequenas mudanças nos átomos carregados - que pode ser revertida pela aplicação de um campo elétrico externo. Apesar de aplicativos promissores em armazenamento / computação de informações de baixo consumo de energia de próxima geração, eficiência energética por meio da coleta de energia residual, resfriamento de estado sólido ecologicamente correto e muito mais, uma série de questões ainda precisam ser resolvidas para que os ferroelétricos atinjam seu potencial máximo.

p Agar usa uma técnica de imagem hiperespectral multimodal - disponível através do programa do usuário no Center for Nanophase Materials Sciences no Oak Ridge National Laboratory - chamada microscopia de força piezoresponse com excitação de banda, que mede as propriedades mecânicas dos materiais à medida que respondem a estímulos elétricos. Estes assim chamados no local técnicas de caracterização permitem a observação direta de processos em nanoescala em ação.

p "Nossos experimentos envolvem tocar o material com um cantilever e medir as propriedades do material à medida que o conduzimos com um campo elétrico, "diz Agar." Essencialmente, vamos a cada pixel e medimos a resposta de uma região muito pequena do material à medida que o conduzimos através das transformações. "

p A técnica produz uma grande quantidade de informações sobre como o material está respondendo e os tipos de processos que estão acontecendo enquanto faz a transição entre diferentes estados, explica Agar.

p "Você obtém este mapa para cada pixel com muitos espectros e respostas diferentes, "diz Agar." Todas essas informações saem de uma vez com esta técnica. O problema é como você realmente descobre o que está acontecendo porque os dados não estão limpos - são barulhentos. "

p Agar e seus colegas desenvolveram uma técnica de inteligência artificial (IA) que usa redes neurais profundas para aprender com as enormes quantidades de dados gerados por seus experimentos e extrair informações úteis. Aplicando este método, ele e sua equipe identificaram - e visualizaram pela primeira vez - diferenças geometricamente orientadas na comutação de domínio ferroelétrico.

p A tecnica, e como foi utilizado para fazer essa descoberta, foi descrito em um artigo publicado hoje em Nature Communications chamado "Revelando o caráter de comutação ferroelétrico usando redes neurais recorrentes profundas." Autores adicionais incluem pesquisadores da Universidade da Califórnia, Berkeley; Laboratório Nacional Lawrence Berkeley; University Texas em Arlington; Pennsylvania State University, University Park; e, O Center for Nanophase Materials Science no Oak Ridge National Laboratory.

p A equipe está entre as primeiras no campo da ciência de materiais a publicar o artigo por meio de um software de código aberto projetado para permitir a computação interativa. O papel, bem como o código, estão disponíveis como um Notebook Jupyter, que funciona no Google Collaboratory, um serviço gratuito de computação em nuvem. Qualquer pesquisador pode acessar o artigo e o código, teste o método, modificar parâmetros e, até, tente em seus próprios dados. Compartilhando dados, códigos de análise e descrições Agar espera que esta abordagem seja usada em comunidades fora daqueles que usam esta técnica de caracterização hiperespectral no Center for Nanophase Materials Science no Oak Ridge National Laboratory.

p De acordo com Agar, a abordagem da rede neural pode ter amplas aplicações:"Pode ser usada em microscopia eletrônica, em microscopia de varredura por tunelamento e até mesmo em fotografia aérea, "diz Agar." Ele atravessa fronteiras. "

p Na verdade, a técnica de rede neural surgiu do trabalho que Agar fez com Joshua Bloom, Professor de Astronomia em Berkeley, que foi publicado anteriormente em Astronomia da Natureza . Agar adaptou e aplicou a técnica ao uso de materiais.

p "Meu colega astrônomo estava examinando o céu noturno, olhando para estrelas diferentes e tentando classificar o tipo de estrela com base em seus perfis de intensidade de luz, "diz Agar.

p Usando uma abordagem de rede neural para analisar dados de imagem hiperespectral

p Aplicando a técnica de rede neural, que usa modelos utilizados em Processamento de Linguagem Natural, Agar e seus colegas foram capazes de obter imagens e visualizar diretamente uma importante sutileza na troca de um material ferroelétrico clássico:titanato de zircônio de chumbo que, antes desta, nunca tinha sido feito.

p Quando o material muda seu estado de polarização sob um campo elétrico externo, explica Agar, forma uma parede de domínio, ou uma fronteira entre duas orientações diferentes de polarização. Dependendo da geometria, as cargas podem então se acumular nesse limite. A condutividade modular nessas interfaces de parede de domínio é a chave para o forte potencial do material para uso em transistores e dispositivos de memória.

p "O que estamos detectando aqui, do ponto de vista da física, é a formação de diferentes tipos de paredes de domínio carregadas ou não, dependendo da geometria, "diz Agar.

p De acordo com Agar, essa descoberta não poderia ter sido possível usando abordagens de aprendizado de máquina mais primitivas, como essas técnicas tendem a usar modelos lineares para identificar correlações lineares. Esses modelos não podem lidar de forma eficiente com dados estruturados ou fazer as correlações complexas necessárias para entender os dados gerados pela imagem hiperespectral.

p Existe uma natureza de caixa preta para o tipo de rede neural que o Agar desenvolveu. O método funciona através do empilhamento de componentes matemáticos individuais em arquiteturas complexas. O sistema então se otimiza "vasculhando os dados continuamente até identificar o que é importante".

p Agar então cria um simples, representação de baixa dimensão desse modelo com menos parâmetros.

p “Para interpretar o resultado, eu poderia:'Quais são os 10 parâmetros mais importantes para definir todas as características no conjunto de dados?'”, Diz Agar. "E então posso visualizar como esses 10 parâmetros afetam a resposta e, usando essas informações, identificar recursos importantes. "

p A interface nano-humana

p O trabalho de Agar neste projeto foi parcialmente financiado por uma bolsa TRIPODS + X, um programa de premiação da National Science Foundation apoiando equipes colaborativas para trazer novas perspectivas para lidar com problemas complexos e arraigados de ciência de dados. O trabalho também faz parte da Iniciativa de Pesquisa de Engenharia de Interface Humana / Nano de Lehigh.

p "Esta ferramenta pode ser uma abordagem porque, uma vez treinado, um sistema de rede neural pode avaliar um novo pedaço de dados muito rápido, "diz Agar." Isso poderia tornar possível pegar fluxos de dados muito grandes e processá-los em tempo real. Depois de processado, os dados podem ser compartilhados com alguém de uma forma que seja interpretável, transformando esse grande fluxo de dados em informações acionáveis. "