Иновациите в материалознанието са толкова важни за съвременния живот, колкото и водопроводната инсталация в помещенията - и остават незабелязани.
Например, иновациите в полупроводниковите устройства продължават да позволяват предаването на повече информация, по-бързо и чрез по-малък хардуер - например чрез устройство, което се побира в дланите на ръцете ни.
Подобренията в техниките за изобразяване направиха възможно събирането на купчини данни за свойствата на наноматериалите, използвани в такива устройства. (Един нанометър е една милиардна част от метър. За мащаб, кичур човешка коса е с дебелина между 50 000 и 100 000 нанометра.)
„Предизвикателството е, че аналитичните подходи, които произвеждат интерпретируеми от човека данни, остават зле оборудвани за сложността и мащаба на данните“, казва Джошуа Агар, асистент по математика в университета в Lehigh. "Само безкрайно малка част от събраните данни се превежда в знание."
Агар проучва наноразмерни фероелектрици, които са материали, които проявяват спонтанна електрическа поляризация - в резултат на малки смени в заредени атоми - които могат да бъдат обърнати чрез прилагане на външно електрическо поле. Въпреки обещаващите приложения за съхранение / изчисляване на информацията от следващо поколение, енергийна ефективност чрез събиране на отпадъчна енергия, екологично охлаждане на твърдо състояние и много други, все още трябва да се решат редица проблеми, за да могат фероелектриците да достигнат пълния си потенциал.
Агар използва мултимодална хиперспектрална образна техника - достъпна чрез програмата на потребителя в Центъра за науки за нанофазни материали в Националната лаборатория Оук Ридж - наречена лентово възбуждаща пиезорезонна силова микроскопия, която измерва механичните свойства на материалите, докато те реагират на електрически стимули. Тези т. Нар. Техники за характеризиране на място позволяват прякото наблюдение на наноразмерните процеси в действие.
"Нашите експерименти включват докосване на материала с конзола и измерване на свойствата на материала, докато го задвижваме с електрическо поле", казва Агар. „По същество отиваме на всеки един пиксел и измерваме отговора на много малък участък от материала, докато го задвижваме чрез трансформации.“
Техниката дава огромно количество информация за това как материалът реагира и видовете процеси, които се случват при преминаване между различни състояния, обяснява Агар.
"Получавате тази карта за всеки пиксел с много спектри и различни отговори", казва Агар. "Цялата тази информация излиза веднага с тази техника. Проблемът е как всъщност разберете какво се случва, защото данните не са чисти - шумни са."
Агар и неговите колеги са разработили техника за изкуствен интелект (AI), която използва дълбоки невронни мрежи, за да се поучи от огромното количество данни, генерирани от техните експерименти и да извлече полезна информация. Прилагайки този метод, той и неговият екип са идентифицирали и визуализирали за първи път геометрично задвижвани различия в превключването на сегнетоелектрични домейни.
Техниката и как е била използвана, за да направи това откритие, е описана в статия, публикувана днес в Nature Communications, наречена „Разкриване на фероелектрически комутационен характер с използване на дълбоки повтарящи се нервни мрежи“. Допълнителни автори включват изследователи от Калифорнийския университет, Бъркли; Лоурънс Бъркли Национална лаборатория; Университет Тексас в Арлингтън; Пенсилвания държавен университет, университетски парк; и, Центърът за наука за нанофазите в Националната лаборатория Oak Ridge.
Екипът е сред първите в областта на материалите, публикуващи статията чрез софтуер с отворен код, предназначен да даде възможност за интерактивни изчисления. Хартията, както и кодът, се предлагат като Jupyter Notebook, който работи в Google Collaboratory, безплатна услуга за изчисляване в облак. Всеки изследовател може да получи достъп до хартията и кода, да изпробва метода, да променя параметрите и дори да го изпробва върху собствените си данни. Чрез споделяне на данни, аналитични кодове и описания Агар се надява, че този подход се използва в общности извън тези, които използват тази хиперспектрална техника за характеризиране в Центъра за наука за нанофазни материали в Националната лаборатория Оук Ридж.
Според Агар подходът на невронната мрежа може да има широко приложение: „Може да се използва в електронна микроскопия, при сканираща тунелна микроскопия и дори във въздушна фотография“, казва Агар. „Пресича граници“.
Всъщност техниката на невронната мрежа се разраства от работата, която Агар свърши с Джошуа Блум, професор по астрономия в Бъркли, който преди това беше публикуван в Nature Astronomy. Агар адаптира и приложи техниката за използване на материали.
„Колегата ми по астрономия изследваше нощното небе, разглеждаше различни звезди и се опитваше да класифицира какъв тип звезда са въз основа на техните профили на интензивност на светлината“, казва Агар.
Използване на подход на невронната мрежа за анализ на данни от хиперспектрални изображения
Прилагане на техниката на невронната мрежа, която използва модели, използвани в обработката на естествен език, Агар и неговия разговор орлите успяха директно да представят и визуализират важна тънкост при превключването на класически фероелектрически материал: оловен циркониев титанат, което преди това никога не беше правено.
Когато материалът превключи състоянието си на поляризация под външно електрическо поле, обяснява Агар, той образува доменна стена или граница между две различни ориентации на поляризация. В зависимост от геометрията зарядите могат да се натрупват на тази граница. Модулната проводимост в тези интерфейси за стена на домейни е от ключово значение за силния потенциал на материала за използване в транзистори и устройства с памет.
„Това, което откриваме тук от гледна точка на физиката, е формирането на различни видове стени на домейни, които са заредени или незаредени, в зависимост от геометрията“, казва Агар.
Според Агар това откритие не би могло да бъде възможно с помощта на по-примитивни подходи за машинно обучение, тъй като тези техники обикновено използват линейни модели за идентифициране на линейни корелации. Такива модели не могат ефикасно да се справят със структурирани данни или да правят сложните корелации, необходими за разбиране на данните, генерирани от хиперспектрални изображения.
Съществува черна кутия природа към типа на невронната мрежа Агар се е развил. Методът работи чрез подреждане на отделни математически компоненти в сложни архитектури. След това системата се оптимизира, като "преглежда отново данните отново и отново, докато не идентифицира кое е важно".
След това Agar създава просто, ниско измерение на този модел с по-малко параметри.
„За интерпретиране на изхода бих могъл:„ Кои 10 параметъра са най-важни за дефиниране на всички характеристики в набора от данни? “, Казва Агар. „И тогава мога да визуализирам как тези 10 параметъра влияят на отговора и, използвайки тази информация, да идентифицирам важни характеристики.“
Нано-човешкият интерфейс
Работата на Агар по този проект беше частично подкрепена с безвъзмездна помощ TRIPODS + X, програма за награди на Националната научна фондация, подкрепяща екипи за съвместна работа, които да донесат нови перспективи за сложни и утвърдени проблеми в областта на научните данни. Работата също е част от Инициативата за президентски инженерни изследвания на Lehigh Nano / Human Interface.
„Този инструмент може да бъде един подход, тъй като веднъж обучен, система от невронни мрежи може да оцени много бързо новата информация“, казва Агар. "Това би могло да позволи да се вземат много големи потоци от данни и да се обработват в движение. Веднъж обработени, данните могат да бъдат споделени с някого по начин, който може да бъде интерпретиран, превръщайки този голям поток от данни в полезна информация."
تعليقات
إرسال تعليق