Les innovations en science des matériaux sont aussi essentielles à la vie moderne que la plomberie intérieure et passent aussi inaperçues.

Par exemple, les innovations dans les dispositifs semi-conducteurs continuent de permettre la transmission de plus d'informations, plus rapidement et grâce à un matériel plus petit, par exemple grâce à un appareil qui tient dans la paume de nos mains.

Les améliorations des techniques d'imagerie ont permis de collecter des tonnes de données sur les propriétés des nanomatériaux utilisés dans de tels dispositifs. (Un nanomètre est un milliardième de mètre. Pour l'échelle, une mèche de cheveux humains a entre 50, 000 et 100, 000 nanomètres d'épaisseur.)

« Le défi est que les approches analytiques qui produisent des données interprétables par l'homme restent mal équipées pour la complexité et l'ampleur des données, " dit Josué Agar, professeur adjoint de science des matériaux à l'Université Lehigh. "Seule une fraction infinitésimale des données collectées est traduite en connaissances."

Agar étudie les ferroélectriques à l'échelle nanométrique, qui sont des matériaux qui présentent une polarisation électrique spontanée - en raison de petits décalages dans les atomes chargés - qui peut être inversée par l'application d'un champ électrique externe. Malgré des applications prometteuses dans le stockage/calcul d'informations basse consommation de nouvelle génération, efficacité énergétique via la récupération des énergies résiduelles, refroidissement à l'état solide respectueux de l'environnement et bien plus encore, un certain nombre de problèmes doivent encore être résolus pour que les ferroélectriques atteignent leur plein potentiel.

La gélose utilise une technique d'imagerie hyperspectrale multimodale, disponible via le programme utilisateur du Center for Nanophase Materials Sciences du Oak Ridge National Laboratory, appelée microscopie à force piézo-réponse à excitation de bande, qui mesure les propriétés mécaniques des matériaux lorsqu'ils répondent à des stimuli électriques. Ces soi-disant in situ les techniques de caractérisation permettent l'observation directe de processus à l'échelle nanométrique en action.

"Nos expériences consistent à toucher le matériau avec un porte-à-faux et à mesurer les propriétés du matériau pendant que nous le conduisons avec un champ électrique, " dit Agar. " Essentiellement, nous allons à chaque pixel et mesurons la réponse d'une très petite région du matériau pendant que nous le conduisons à travers des transformations."

La technique fournit de grandes quantités d'informations sur la façon dont le matériau réagit et les types de processus qui se produisent lors de sa transition entre différents états, explique Agar.

"Vous obtenez cette carte pour chaque pixel avec de nombreux spectres et des réponses différentes, " dit Agar. " Toutes ces informations sortent d'un coup avec cette technique. Le problème est de savoir comment comprendre ce qui se passe parce que les données ne sont pas propres, elles sont bruyantes."

Agar et ses collègues ont développé une technique d'intelligence artificielle (IA) qui utilise des réseaux de neurones profonds pour apprendre des quantités massives de données générées par leurs expériences et extraire des informations utiles. En appliquant cette méthode, lui et son équipe ont identifié et visualisé pour la première fois des différences d'ordre géométrique dans la commutation de domaine ferroélectrique.

La technique, et comment il a été utilisé pour faire cette découverte, a été décrite dans un article publié aujourd'hui dans Communication Nature appelé "Révéler le caractère de commutation ferroélectrique à l'aide de réseaux de neurones récurrents profonds". Les autres auteurs comprennent des chercheurs de l'Université de Californie, Berkeley; Laboratoire national Lawrence Berkeley; Université du Texas à Arlington; Université d'État de Pennsylvanie, Parc universitaire ; et, Le Center for Nanophase Materials Science du Oak Ridge National Laboratory.

L'équipe est parmi les premières dans le domaine de la science des matériaux à publier l'article via un logiciel open source conçu pour permettre l'informatique interactive. Le papier, ainsi que le code, sont disponibles sous forme de carnet Jupyter, qui fonctionne sur Google Collaboratory, un service gratuit de cloud computing. Tout chercheur peut accéder à l'article et au code, tester la méthode, modifier les paramètres et, même, l'essayer sur leurs propres données. En partageant des données, codes d'analyse et descriptions Agar espère que cette approche sera utilisée dans des communautés autres que celles qui utilisent cette technique de caractérisation hyperspectrale au Center for Nanophase Materials Science du Oak Ridge National Laboratory.

Selon Agar, l'approche des réseaux de neurones pourrait avoir de larges applications :« Elle pourrait être utilisée en microscopie électronique, en microscopie à effet tunnel et même en photographie aérienne, " dit Agar. " Il traverse les frontières. "

En réalité, la technique du réseau neuronal est née du travail qu'Agar a fait avec Joshua Bloom, professeur d'astronomie à Berkeley qui a été précédemment publié dans Astronomie de la nature . Agar a adapté et appliqué la technique à une utilisation des matériaux.

"Mon collègue astronomie observait le ciel nocturne, regarder différentes étoiles et essayer de classer de quel type d'étoile il s'agit en fonction de leurs profils d'intensité lumineuse, " dit Agar.

Utilisation d'une approche de réseau de neurones pour analyser les données d'imagerie hyperspectrale

Application de la technique des réseaux de neurones, qui utilise des modèles utilisés dans le traitement du langage naturel, Agar et ses collègues ont pu directement imager et visualiser une subtilité importante dans la commutation d'un matériau ferroélectrique classique :le titanate de plomb et de zirconium qui, avant cela, n'avait jamais été fait.

Lorsque le matériau change d'état de polarisation sous un champ électrique externe, explique Agar, il forme un mur de domaine, ou une frontière entre deux orientations différentes de polarisation. Selon la géométrie, les charges peuvent alors s'accumuler à cette limite. La conductivité modulaire à ces interfaces de paroi de domaine est la clé du fort potentiel du matériau pour une utilisation dans les transistors et les dispositifs de mémoire.

"Ce que nous détectons ici d'un point de vue physique, c'est la formation de différents types de parois de domaine qui sont soit chargées soit non chargées, selon la géométrie, " dit Agar.

Selon Agar, cette découverte n'aurait pas pu être possible en utilisant des approches d'apprentissage automatique plus primitives, car ces techniques ont tendance à utiliser des modèles linéaires pour identifier les corrélations linéaires. De tels modèles ne peuvent pas traiter efficacement les données structurées ou faire les corrélations complexes nécessaires pour comprendre les données générées par l'imagerie hyperspectrale.

Il y a une nature de boîte noire au type de réseau neuronal qu'Agar a développé. La méthode fonctionne grâce à un empilement de composants mathématiques individuels dans des architectures complexes. Le système s'optimise ensuite en "parcourant les données encore et encore jusqu'à ce qu'il identifie ce qui est important".

Agar crée alors un simple, faible représentation dimensionnelle de ce modèle avec moins de paramètres.

« Pour interpréter le résultat, je pourrais : « Quels sont les 10 paramètres les plus importants pour définir toutes les caractéristiques de l'ensemble de données ? » », explique Agar. "Et puis je peux visualiser comment ces 10 paramètres affectent la réponse et, en utilisant ces informations, identifier les caractéristiques importantes."

L'interface nano-humaine

Le travail d'Agar sur ce projet a été partiellement soutenu par une subvention TRIPODS+X, un programme de récompenses de la National Science Foundation soutenant des équipes collaboratives pour apporter de nouvelles perspectives sur des problèmes complexes et ancrés de science des données. Le travail fait également partie de l'Initiative de recherche en ingénierie présidentielle Nano/Human Interface de Lehigh.

« Cet outil pourrait être une approche car, une fois formé, un système de réseau neuronal peut évaluer très rapidement une nouvelle donnée, " dit Agar. " Il pourrait permettre de prendre des flux de données très volumineux et de les traiter à la volée. Une fois traité, les données peuvent être partagées avec quelqu'un d'une manière interprétable, transformer ce grand flux de données en informations exploitables."