L'IA découvre de nouvelles nanostructures
Des chercheurs ont utilisé l'intelligence artificielle pour découvrir rapidement de nouvelles nanostructures auto-assemblées
Des scientifiques du Brookhaven National Laboratory du ministère américain de l'énergie (DOE) ont démontré avec succès que des méthodes autonomes peuvent permettre de découvrir de nouveaux matériaux. La technique basée sur l'intelligence artificielle (IA) a permis de découvrir trois nouvelles nanostructures, dont une "échelle" nanométrique unique en son genre. Cette recherche a été publiée dans Science Advances.
Les données de diffusion des rayons X (à gauche) sont présentées à côté des images de microscopie électronique à balayage correspondantes (à droite) des zones clés de l'échantillon identifiées par l'algorithme d'IA. Les images révèlent trois nouveaux nanomodèles : des lignes alternées (en haut), une inclinaison (au centre) et une échelle (en bas). La barre d'échelle est de 500 nanomètres.
Brookhaven National Laboratory
Les structures nouvellement découvertes ont été formées par un processus appelé auto-assemblage, dans lequel les molécules d'un matériau s'organisent pour former des motifs uniques. Les scientifiques du Center for Functional Nanomaterials (CFN) de Brookhaven sont des experts dans la direction du processus d'auto-assemblage, créant des modèles pour que les matériaux forment des arrangements souhaitables pour des applications en microélectronique, en catalyse, etc. Leur découverte de l'échelle nanométrique et d'autres nouvelles structures élargit encore le champ des applications de l'auto-assemblage.
"L'auto-assemblage peut être utilisé comme une technique de nanomodélisation, qui est un moteur des progrès de la microélectronique et du matériel informatique", a déclaré Gregory Doerk, scientifique du CFN et co-auteur. "Ces technologies poussent toujours plus loin la résolution en utilisant des nanomodèles plus petits. On peut obtenir des caractéristiques très petites et étroitement contrôlées à partir de matériaux auto-assemblés, mais elles n'obéissent pas nécessairement au type de règles que nous établissons pour les circuits, par exemple. En dirigeant l'auto-assemblage à l'aide d'un modèle, nous pouvons former des motifs plus utiles".
Les scientifiques du CFN, qui est une installation d'utilisateurs du DOE Office of Science, ont pour objectif de constituer une bibliothèque de types de nanomodèles auto-assemblés afin d'élargir leurs applications. Dans des études précédentes, ils ont démontré que de nouveaux types de motifs sont rendus possibles en mélangeant deux matériaux auto-assemblés.
"Le fait que nous puissions maintenant créer une structure en échelle, dont personne n'a jamais rêvé auparavant, est incroyable", a déclaré Kevin Yager, chef du groupe CFN et co-auteur. "L'auto-assemblage traditionnel ne peut former que des structures relativement simples comme des cylindres, des feuilles et des sphères. Mais en mélangeant deux matériaux et en utilisant le bon réseau chimique, nous avons découvert que des structures entièrement nouvelles étaient possibles."
Le mélange de matériaux auto-assemblés a permis aux scientifiques du CFN de découvrir des structures uniques, mais il a également créé de nouveaux défis. Avec beaucoup plus de paramètres à contrôler dans le processus d'auto-assemblage, trouver la bonne combinaison de paramètres pour créer des structures nouvelles et utiles est une bataille contre le temps. Pour accélérer leurs recherches, les scientifiques du CFN ont exploité une nouvelle capacité de l'IA : l'expérimentation autonome.
En collaboration avec le Center for Advanced Mathematics for Energy Research Applications (CAMERA) du Lawrence Berkeley National Laboratory du DOE, les scientifiques du CFN et de la National Synchrotron Light Source II (NSLS-II), une autre installation du DOE Office of Science située au Brookhaven Lab, ont développé un cadre d'IA capable de définir et d'exécuter de manière autonome toutes les étapes d'une expérience. L'algorithme gpCAM de CAMERA pilote la prise de décision autonome du cadre. Cette dernière recherche est la première démonstration réussie de la capacité de l'algorithme à découvrir de nouveaux matériaux.
"gpCAM est un algorithme et un logiciel flexible pour l'expérimentation autonome", a déclaré Marcus Noack, scientifique au Berkeley Lab et co-auteur. "Il a été utilisé de manière particulièrement ingénieuse dans cette étude pour explorer de manière autonome différentes caractéristiques du modèle."
"Avec l'aide de nos collègues du Berkeley Lab, nous avions ce logiciel et cette méthodologie prêts à l'emploi, et maintenant nous l'avons utilisé avec succès pour découvrir de nouveaux matériaux", a déclaré Yager. "Nous avons maintenant appris suffisamment sur la science autonome pour pouvoir prendre un problème de matériaux et le convertir en un problème autonome assez facilement."
Pour accélérer la découverte de matériaux à l'aide de leur nouvel algorithme, l'équipe a d'abord développé un échantillon complexe avec un spectre de propriétés à analyser. Les chercheurs ont fabriqué l'échantillon à l'aide de l'installation de nanofabrication du CFN et ont réalisé l'auto-assemblage dans l'installation de synthèse des matériaux du CFN.
"La vieille méthode de la science des matériaux consiste à synthétiser un échantillon, à le mesurer, à en tirer des enseignements, puis à revenir en arrière, à fabriquer un autre échantillon et à répéter ce processus", a déclaré M. Yager. "Au lieu de cela, nous avons fabriqué un échantillon qui présente un gradient de chaque paramètre qui nous intéresse. Cet échantillon unique est donc une vaste collection de nombreuses structures matérielles distinctes."
L'équipe a ensuite apporté l'échantillon au NSLS-II, qui génère des rayons X ultrabrillants pour étudier la structure des matériaux. Le CFN exploite trois stations expérimentales en partenariat avec le NSLS-II, dont l'une a été utilisée dans cette étude, la ligne de faisceaux Soft Matter Interfaces (SMI).
"L'une des forces de la ligne de faisceau SMI est sa capacité à focaliser le faisceau de rayons X sur l'échantillon jusqu'à quelques microns", a déclaré Masa Fukuto, scientifique au NSLS-II et co-auteur de l'étude. "En analysant la façon dont les rayons X du microfaisceau sont diffusés par le matériau, nous en apprenons davantage sur la structure locale du matériau au niveau du point éclairé. Des mesures effectuées sur de nombreux points différents peuvent alors révéler comment la structure locale varie dans l'échantillon à gradient. Dans ce travail, nous laissons l'algorithme d'IA choisir, à la volée, le point à mesurer ensuite pour maximiser la valeur de chaque mesure."
Pendant que l'échantillon était mesuré à la ligne de faisceau du SMI, l'algorithme, sans intervention humaine, a créé un modèle des nombreuses et diverses structures du matériau. Le modèle s'est mis à jour avec chaque mesure de rayons X suivante, rendant chaque mesure plus perspicace et plus précise.
En l'espace de quelques heures, l'algorithme a identifié trois zones clés de l'échantillon complexe que les chercheurs du CFN devaient étudier de plus près. Ils ont utilisé l'installation de microscopie électronique du CFN pour obtenir des images de ces zones clés dans les moindres détails, découvrant les rails et les barreaux d'une échelle à l'échelle nanométrique, entre autres caractéristiques nouvelles.
Du début à la fin, l'expérience a duré environ six heures. Les chercheurs estiment qu'il leur aurait fallu environ un mois pour faire cette découverte en utilisant des méthodes traditionnelles.
"Les méthodes autonomes peuvent considérablement accélérer la découverte", a déclaré Yager. Il s'agit essentiellement de "resserrer" la boucle de découverte habituelle de la science, afin de passer plus rapidement des hypothèses aux mesures. Au-delà de la vitesse, cependant, les méthodes autonomes augmentent la portée de ce que nous pouvons étudier, ce qui signifie que nous pouvons nous attaquer à des problèmes scientifiques plus difficiles."
"Pour l'avenir, nous voulons étudier l'interaction complexe entre plusieurs paramètres. Nous avons effectué des simulations à l'aide de la grappe d'ordinateurs du CFN qui ont vérifié nos résultats expérimentaux, mais elles ont également suggéré comment d'autres paramètres, tels que l'épaisseur du film, peuvent également jouer un rôle important", a déclaré M. Doerk.
L'équipe applique activement sa méthode de recherche autonome à des problèmes encore plus difficiles de découverte de matériaux dans l'auto-assemblage, ainsi qu'à d'autres classes de matériaux. Les méthodes de découverte autonomes sont adaptables et peuvent être appliquées à presque tous les problèmes de recherche.
"Nous déployons maintenant ces méthodes auprès de la vaste communauté d'utilisateurs qui viennent au CFN et au NSLS-II pour réaliser des expériences", a déclaré M. Yager. "Tout le monde peut travailler avec nous pour accélérer l'exploration de leurs recherches sur les matériaux. Nous prévoyons que cela permettra une foule de nouvelles découvertes dans les années à venir, notamment dans des domaines prioritaires nationaux comme l'énergie propre et la microélectronique."
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
