Innovationer inom materialvetenskap är lika viktiga för det moderna livet som inomhus VVS - och går ungefär lika obemärkt.

Till exempel, innovationer inom halvledande enheter fortsätter att möjliggöra överföring av mer information, snabbare och genom mindre hårdvara – till exempel genom en enhet som passar i våra händer.

Förbättringar av bildtekniker har gjort det möjligt att samla in högar av data om egenskaperna hos de nanomaterial som används i sådana enheter. (En nanometer är en miljarddels meter. För skala, ett hårstrå är mellan 50, 000 och 100, 000 nanometer tjock.)

"Utmaningen är att analytiska tillvägagångssätt som producerar data som kan tolkas av människor förblir dåligt utrustade för dataernas komplexitet och omfattning, " säger Joshua Agar, biträdande professor i materialvetenskap vid Lehigh University. "Endast en oändligt liten bråkdel av den data som samlas in omsätts till kunskap."

Agar studerar ferroelektrik i nanoskala, som är material som uppvisar spontan elektrisk polarisation - som ett resultat av små förskjutningar i laddade atomer - som kan vändas genom applicering av ett externt elektriskt fält. Trots lovande applikationer i nästa generations lågeffektinformationslagring/beräkning, energieffektivitet genom att skörda avfallsenergi, miljövänlig solid-state kylning och mycket mer, ett antal problem måste fortfarande lösas för att ferroelektrik ska nå sin fulla potential.

Agar använder en multimodal hyperspektral avbildningsteknik – tillgänglig via användarprogrammet vid Center for Nanophase Materials Sciences vid Oak Ridge National Laboratory – kallad band-excitation piezoresponse force microscopy, som mäter materialens mekaniska egenskaper när de svarar på elektriska stimuli. Dessa sk på plats karakteriseringstekniker möjliggör direkt observation av processer i nanoskala i aktion.

"Våra experiment går ut på att röra materialet med en konsol och mäta materialets egenskaper när vi driver det med ett elektriskt fält, " säger Agar. "I huvudsak, vi går till varje enskild pixel och mäter responsen från en mycket liten del av materialet när vi driver det genom transformationer."

Tekniken ger stora mängder information om hur materialet reagerar och vilka typer av processer som sker när det övergår mellan olika tillstånd, förklarar Agar.

"Du får den här kartan för varje pixel med många spektra och olika svar, " säger Agar. "All denna information kommer ut på en gång med denna teknik. Problemet är hur du faktiskt tar reda på vad som händer eftersom data inte är rena - det är bullrigt."

Agar och hans kollegor har utvecklat en teknik med artificiell intelligens (AI) som använder djupa neurala nätverk för att lära av de enorma mängderna data som genereras av deras experiment och extrahera användbar information. Genom att tillämpa denna metod har han och hans team identifierat - och visualiserat för första gången - geometriskt drivna skillnader i ferroelektrisk domänbyte.

Tekniken, och hur det användes för att göra denna upptäckt, har beskrivits i en artikel som publicerades idag i Naturkommunikation kallad "Avslöja ferroelektrisk omkopplingskaraktär med djupa återkommande neurala nätverk." Ytterligare författare inkluderar forskare från University of California, Berkeley; Lawrence Berkeley National Laboratory; University Texas i Arlington; Pennsylvania State University, Universitetsparken; och, Center for Nanophase Materials Science vid Oak Ridge National Laboratory.

Teamet är bland de första inom materialvetenskapsområdet att publicera uppsatsen via programvara med öppen källkod utformad för att möjliggöra interaktiv datoranvändning. Pappret, samt koden, finns tillgängliga som en Jupyter Notebook, som körs på Google Collaboratory, en gratis molntjänst. Alla forskare kan komma åt uppsatsen och koden, testa metoden, ändra parametrar och, även, prova det på deras egen data. Genom att dela data, analyskoder och beskrivningar Agar hoppas att detta tillvägagångssätt används i samhällen utanför de som använder denna hyperspektrala karakteriseringsteknik vid Center for Nanophase Materials Science vid Oak Ridge National Laboratory.

Enligt Agar, den neurala nätverksansatsen kan ha breda tillämpningar:"Det kan användas i elektronmikroskopi, vid skanning av tunnelmikroskopi och till och med vid flygfotografering, " säger Agar. "Det går över gränser."

Faktiskt, tekniken för neurala nätverk växte ur det arbete Agar gjorde med Joshua Bloom, Professor i astronomi vid Berkeley som tidigare publicerats i Natur astronomi . Agar anpassade och tillämpade tekniken för en materialanvändning.

"Min astronomikollega undersökte natthimlen, tittar på olika stjärnor och försöker klassificera vilken typ av stjärna de är baserat på deras ljusintensitetsprofiler, säger Agar.

Använda ett neuralt nätverkssätt för att analysera hyperspektral bilddata

Att tillämpa tekniken för neurala nätverk, som använder modeller som används i Natural Language Processing, Agar och hans kollegor kunde direkt avbilda och visualisera en viktig subtilitet i bytet av ett klassiskt ferroelektriskt material:blyzirkoniumtitanat som, innan detta, hade aldrig gjorts.

När materialet byter polarisationstillstånd under ett externt elektriskt fält, förklarar Agar, den bildar en domänvägg, eller en gräns mellan två olika orienteringar av polarisering. Beroende på geometrin, avgifter kan sedan ackumuleras vid den gränsen. Den modulära konduktiviteten vid dessa domänväggsgränssnitt är nyckeln till materialets starka potential för användning i transistorer och minnesenheter.

"Vad vi upptäcker här ur ett fysikperspektiv är bildandet av olika typer av domänväggar som antingen är laddade eller oladdade, beroende på geometrin, säger Agar.

Enligt Agar, denna upptäckt kunde inte ha varit möjlig med mer primitiva metoder för maskininlärning, eftersom dessa tekniker tenderar att använda linjära modeller för att identifiera linjära korrelationer. Sådana modeller kan inte effektivt hantera strukturerad data eller göra de komplexa korrelationer som behövs för att förstå data som genereras av hyperspektral avbildning.

Den typ av neurala nätverk som Agar har utvecklat har en svart låda. Metoden fungerar genom en stapling av enskilda matematiska komponenter till komplexa arkitekturer. Systemet optimerar sedan sig självt genom att "chugga igenom data om och om igen tills det identifierar vad som är viktigt."

Agar skapar sedan en enkel, lågdimensionell representation av den modellen med färre parametrar.

"För att tolka resultatet kan jag:'Vilka 10 parametrar är viktigast för att definiera alla funktioner i datamängden?'", säger Agar. "Och då kan jag visualisera hur dessa 10 parametrar påverkar svaret och, genom att använda den informationen, identifiera viktiga funktioner."

Det nano-mänskliga gränssnittet

Agars arbete med detta projekt stöddes delvis av ett TRIPOD+X-bidrag, ett National Science Foundation-prisprogram som stödjer samarbetsteam för att få nya perspektiv att påverka komplexa och förankrade datavetenskapliga problem. Arbetet är också en del av Lehighs Nano/Human Interface Presidential Engineering Research Initiative.

"Det här verktyget kan vara ett tillvägagångssätt eftersom, en gång tränad, ett neuralt nätverkssystem kan utvärdera en ny bit data mycket snabbt, " säger Agar. "Det kan göra det möjligt att ta mycket stora dataströmmar och bearbeta dem i farten. När bearbetad, uppgifterna kan delas med någon på ett sätt som är tolkbart, förvandla den stora dataströmmen till användbar information."