Comprendre les relations structure-propriété est un objectif clé de la recherche sur les matériaux, selon Josué Agar, membre du corps professoral du Département des sciences et de l'ingénierie des matériaux de l'Université Lehigh. Et pourtant, actuellement, aucune métrique n'existe pour comprendre la structure des matériaux en raison de la complexité et de la nature multidimensionnelle de la structure.

Réseaux de neurones artificiels, un type d'apprentissage automatique, peuvent être entraînés à identifier les similitudes, et même à corréler des paramètres tels que la structure et les propriétés, mais il existe deux défis majeurs, dit Agar. La première est que la majorité des grandes quantités de données générées par les expériences sur les matériaux ne sont jamais analysées. C'est en grande partie parce que de telles images, produites par des scientifiques dans des laboratoires du monde entier, sont rarement stockés de manière utilisable et ne sont généralement pas partagés avec d'autres équipes de recherche. Le deuxième défi est que les réseaux de neurones ne sont pas très efficaces pour apprendre la symétrie et la périodicité (à quel point la structure d'un matériau est périodique), deux caractéristiques de la plus haute importance pour les chercheurs en matériaux.

Maintenant, une équipe dirigée par l'Université de Lehigh a développé une nouvelle approche d'apprentissage automatique qui peut créer des projections de similarité via l'apprentissage automatique, permettant aux chercheurs de rechercher pour la première fois dans une base de données d'images non structurées et d'identifier des tendances. Agar et ses collaborateurs ont développé et entraîné un modèle de réseau neuronal pour inclure des fonctionnalités sensibles à la symétrie, puis ont appliqué leur méthode à un ensemble de 25, 133 images de microscopie à force de réponse piézoélectrique collectées sur divers systèmes de matériaux sur cinq ans à l'Université de Californie, Berkeley. Les résultats :ils ont pu regrouper des classes de matériaux similaires et observer des tendances, formant une base pour commencer à comprendre les relations structure-propriété.

"L'une des nouveautés de notre travail est que nous avons construit un réseau neuronal spécial pour comprendre la symétrie et nous l'utilisons comme extracteur de caractéristiques pour mieux comprendre les images, " dit Agar, un auteur principal de l'article où le travail est décrit :"Symmetry-Aware Recursive Image Similarity Exploration for Materials Microscopy, " publié aujourd'hui dans Matériaux de calcul npj . En plus de l'Agar, les auteurs comprennent, de l'Université Lehigh :Tri N. M. Nguyen, Yichen Guo, Shuyu Qin et Kylie S. Frew et, de l'Université de Stanford :Ruijuan Xu. Nguyen, un auteur principal, était un étudiant de premier cycle à l'Université Lehigh et poursuit actuellement un doctorat. à Stanford.

L'équipe a pu arriver à des projections en utilisant l'approximation et la projection uniformes de collecteurs (UMAP), une technique de réduction de dimensionnalité non linéaire. Cette approche, dit Agar, permet aux chercheurs d'apprendre "... de manière floue, la topologie et la structure de niveau supérieur des données et les compresser en 2D."

"Si vous entraînez un réseau de neurones, le résultat est un vecteur, ou un ensemble de nombres qui est un descripteur compact des caractéristiques. Ces fonctionnalités aident à classer les choses afin qu'une certaine similitude soit apprise, " dit Agar. " Ce qui est produit est encore assez grand dans l'espace, bien que, parce que vous pourriez avoir 512 fonctionnalités différentes ou plus. Donc, alors vous voulez le compresser dans un espace qu'un humain peut comprendre tel que 2D, ou 3D―ou, peut être , 4D."

En faisant cela, Agar et son équipe ont réussi à prendre le 25, Plus de 000 images et regroupent des classes de matériel très similaires.

"Des types de structures similaires dans le matériel sont sémantiquement proches les uns des autres et certaines tendances peuvent également être observées, en particulier si vous appliquez des filtres de métadonnées, " dit Agar. " Si vous commencez à filtrer par qui a fait le dépôt, qui a fait le matériel, qu'essayaient-ils de faire, quel est le système matériel... vous pouvez vraiment commencer à affiner et obtenir de plus en plus de similitudes. Cette similitude peut ensuite être liée à d'autres paramètres comme les propriétés."

Ce travail démontre comment l'amélioration du stockage et de la gestion des données pourrait accélérer rapidement les découvertes de matériaux. Selon Agar, d'une valeur particulière sont les images et les données générées par des expériences ratées.

"Personne ne publie des résultats ratés et c'est une grosse perte car quelques années plus tard, quelqu'un répète la même série d'expériences, " dit Agar. " Alors, vous gaspillez de très bonnes ressources sur une expérience qui ne fonctionnera probablement pas."

Au lieu de perdre toutes ces informations, les données déjà collectées pourraient être utilisées pour générer de nouvelles tendances inédites et accélérer la découverte de manière exponentielle, dit Agar.

Cette étude est le premier « cas d'utilisation » d'une nouvelle entreprise innovante de stockage de données hébergée au Oak Ridge National Laboratory, appelée DataFed. DataFed, selon son site Internet est "... une fédération, stockage de données volumineuses, collaboration, et un système de gestion du cycle de vie complet pour la science informatique et/ou l'analyse de données dans des environnements distribués de calcul haute performance (HPC) et/ou de cloud computing."

« Mon équipe chez Lehigh a participé à la conception et au développement de DataFed en termes de pertinence pour les cas d'utilisation scientifiques, " dit Agar. " Lehigh est la première implémentation en direct de ce système entièrement évolutif. Il s'agit d'une base de données fédérée afin que n'importe qui puisse ouvrir son propre serveur et être lié à l'installation centrale."

Agar est l'expert en apprentissage automatique de l'équipe Presidential Nano-Human Interface Initiative de la Lehigh University. L'initiative interdisciplinaire, intégrant les sciences sociales et l'ingénierie, cherche à transformer les façons dont les humains interagissent avec les instruments de découverte scientifique pour accélérer les innovations.

"L'un des principaux objectifs de l'Initiative Nano/Human Interface de Lehigh est de mettre des informations pertinentes à la portée des expérimentateurs pour fournir des informations exploitables qui permettent une prise de décision plus éclairée et accélèrent la découverte scientifique, " dit Agar. " Les humains ont une capacité limitée de mémoire et de souvenir. DataFed est un Memex des temps modernes; il fournit une mémoire d'informations scientifiques qui peuvent être facilement trouvées et rappelées."

DataFed fournit un outil particulièrement puissant et précieux pour les chercheurs engagés dans la science d'équipe interdisciplinaire, permettant aux chercheurs qui collaborent à des projets d'équipe situés dans des endroits différents/éloignés d'accéder aux données brutes des uns et des autres. C'est l'un des éléments clés de notre initiative présidentielle Lehigh Nano/Human Interface (NHI) pour accélérer les découvertes scientifiques, " dit Martin P. Harmer, Professeur de la Fondation Alcoa au Département de science et d'ingénierie des matériaux de Lehigh et directeur de la Nano/Human Interface Initiative.