Forskare från National University of Singapore (NUS) har använt generativa maskininlärningsmodeller för att utforska de olika metoderna där atomer mellan intilliggande kristaller i ett piezoelektriskt material, som är material som genererar en liten elektrisk spänning vid applicering av mekanisk påkänning, kan uppleva felmatchningar. Denna uppenbarelse avslöjar de vägar genom vilka störningar uppstår i sådana material.
Inom materialvetenskapens område innebär en långvarig fråga att förstå om olika strukturella störningar i komplexa material fyller värdefulla funktioner, med en nyckelutmaning att identifiera typerna av störningar inom ett visst urval.
Ett forskarlag vid NUS tog sig an denna utmaning genom att kondensera ett brett spektrum av strukturella störningar i domängränserna för ett piezoelektriskt material till en liten uppsättning enkla, flerskaliga probabilistiska regler. Med dessa regler skapade de en generativ maskininlärningsmodell som sträckte sig över tre storleksordningar i längdskalor, vilket gjorde det möjligt att studera materialets statistiska egenskaper bortom praktiska mätgränser.
Under ledning av biträdande professor Ne-te Duane Loh från både institutionen för fysik och institutionen för biologiska vetenskaper vid NUS fann forskargruppen att experimentellt observerad strukturell störning längs domängränserna för kalium-natriumniobat piezoelektriska filmer kunde destilleras till en överraskande kompakt uppsättning enkla probabilistiska regler. Dessa regler kan delas upp i två uppsättningar som dominerar på distinkta längdskalor - Markovkedja och slumpmässiga kärnor. Genom att använda dessa två uppsättningar regler skapas en ensemble av domängränser för ett specifikt materialprov.
Teamet översatte dessa probabilistiska regler till "vokabulären" och "grammatiken" i en tolkningsbar maskininlärningsmodell för att generera och studera ett stort spektrum av realistiska oordnade domängränser som inte går att skilja från experimentella mätningar. Denna generativa modell gav tillgång till storleksordningar fler observationer än vad praktiska experiment eller dyra första principberäkningar skulle tillåta.
Med hjälp av denna modell hittade författarna tidigare oupptäckta domängränsmotiv i materialet, som är kedjeliknande strukturer, som belyser faktorer som kan påverka dess piezoelektriska respons. De hittade också bevis för att dessa domängränser maximerar entropin. Detta genombrott antyder att tolkbara maskininlärningsmodeller kan förstå den komplexa karaktären av störningar i material, vilket banar väg för att förstå deras funktion och design.
Forskningsresultaten publicerades i tidskriften Science Advances .
Denna forskning fortsätter lagets pågående integration av statistisk inlärning med atomär upplösning elektronmikroskopi för att avbilda komplexa material. Dr Jiadong Dan, den första författaren och Eric och Wendy Schmidt AI i Science Fellow, sa:"Vårt arbete kan generellt utvidgas och tillämpas på andra viktiga system där störningar spelar en viktig roll för att kontrollera de fysiska egenskaperna hos material."
Teamet föreställer sig också ytterligare undersökningar av den funktionella betydelsen av nyupptäckta strukturella motiv, vilket belyser potentialen att förstå och designa komplexa material.
Prof Loh tillade:"Detta arbete kompletterar vår tidigare inlärning av atomära motivhierarkier. Tillsammans driver de oss mot att skapa följeslagande artificiell intelligens (AI) tillsammans med mikroskop för att ge oöverträffad, snabb feedback."
Mer information: Jiadong Dan et al, En flerskalig generativ modell för att förstå störningar i domängränser, Science Advances (2023). DOI:10.1126/sciadv.adj0904
Journalinformation: Vetenskapens framsteg
Tillhandahålls av National University of Singapore
