来源：ScienceAI
美国能源部 (DOE) 布鲁克海文国家实验室的科学家已成功证明自主方法可以发现新材料。人工智能 (AI) 驱动的技术导致发现了三种新的纳米结构，包括首创的纳米级「梯子」。
该研究以「Autonomous discovery of emergent morphologies in directed self-assembly of block copolymer blends」为题发表在《Science Advances》杂志上。
论文链接：https://www.science.org/doi/10.1126/sciadv.add3687
新发现的结构是通过称为自组装的过程形成的，在该过程中，材料的分子将自身组织成独特的模式。布鲁克海文功能纳米材料中心 (CFN) 的科学家是指导自组装过程、创建材料模板以形成微电子、催化等应用的理想排列的专家。他们发现的纳米阶梯和其他新结构进一步拓宽了自组装的应用范围。
「自组装可以用作纳米图案技术，这是微电子和计算机硬件进步的驱动力，」CFN 科学家和合著者 Gregory Doerk 说。「这些技术一直在推动使用更小的纳米图案获得更高的分辨率。你可以从自组装材料中获得非常小且严格控制的特征，但它们不一定遵守我们为电路制定的那种规则。通过使用模板指导自组装，我们可以形成更有用的模式。」
美国能源部科学用户设施办公室 CFN 的工作人员科学家旨在建立一个自组装纳米图案类型库，以扩大其应用范围。在之前的研究中，他们证明了通过将两种自组装材料混合在一起可以实现新型图案。
CFN 小组负责人兼合著者 Kevin Yager 表示：「我们现在可以创建一个以前从未有人梦想过的阶梯结构，这一事实令人惊叹。传统的自组装只能形成相对简单的结构，如圆柱体、薄片和球体。但通过将两种材料混合在一起并使用正确的化学光栅，我们发现全新的结构是可能的。」
将自组装材料混合在一起使 CFN 科学家能够发现独特的结构，但同时也带来了新的挑战。由于在自组装过程中需要控制更多参数，找到正确的参数组合来创建新的有用结构是一场与时间的较量。为了加速他们的研究，CFN 科学家利用了一种新的 AI 功能：自主实验。
与美国能源部劳伦斯伯克利国家实验室的能源研究应用高等数学中心 (CAMERA)、CFN 的布鲁克海文科学家和国家同步加速器光源 II (NSLS-II) 合作，布鲁克海文实验室的另一个科学用户设施美国能源部办公室， 一直在开发一个人工智能框架，可以自主定义和执行实验的所有步骤。CAMERA 的 gpCAM 算法驱动框架的自主决策。最新研究是该团队首次成功展示该算法发现新材料的能力。
「gpCAM 是一种用于自主实验的灵活算法和软件，」伯克利实验室科学家兼合著者 Marcus Noack 说。「在这项研究中，它被特别巧妙地用于自主探索模型的不同特征。」
「在伯克利实验室同事的帮助下，我们已经准备好使用该软件和方法，现在我们已经成功地使用它来发现新材料，」Yager 说。「我们现在已经对自主科学有了足够的了解，我们可以很容易地将材料问题转化为自主问题。」
为了使用他们的新算法加速材料发现，该团队首先开发了一个具有一系列特性的复杂样本以供分析。研究人员使用 CFN 纳米加工设备制造了样品，并在 CFN 材料合成设备中进行了自组装。
「做材料科学的一种老派方法是合成一个样本，对其进行测量，从中学习，然后返回并制作不同的样本并不断迭代该过程，」Yager 说。「相反，我们制作了一个样本，该样本具有我们感兴趣的每个参数的梯度。因此，单个样本是许多不同材料结构的大量集合。」
然后，该团队将样品带到 NSLS-II，后者会产生超亮 X 射线，用于研究材料的结构。CFN 与 NSLS-II 合作运营三个实验站，其中一个用于本研究，即软物质接口 (SMI) 光束线。
NSLS-II 的科学家兼合著者 Masa Fukuto 说：「SMI 光束线的优势之一是它能够将 X 射线束聚焦到样品上，精度可达微米级。」 「通过分析这些微束 X 射线如何被材料散射，我们了解材料在照明点的局部结构。然后在许多不同点的测量可以揭示局部结构在梯度样本中的变化。在这项工作中，我们让人工智能算法动态选择接下来要测量的点，以最大化每次测量的价值。」
由于样品是在 SMI 光束线上测量的，因此该算法无需人工干预即可创建材料的众多不同结构集的模型。该模型会随着每次后续的 X 射线测量进行自我更新，从而使每次测量都更加深入和准确。
在几个小时内，该算法就确定了复杂样本中的三个关键区域，供 CFN 研究人员更仔细地研究。他们使用 CFN 电子显微镜设备对这些关键区域进行了精细的成像，揭示了纳米级梯子的轨道和横档，以及其他新特征。
从开始到结束，实验进行了大约六个小时。研究人员估计，如果使用传统方法，他们可能需要大约一个月的时间才能做出这一发现。
「自主方法可以极大地加速发现，」Yager 说。「它本质上是 [收紧] 通常的科学发现循环，以便我们更快地在假设和测量之间循环。然而，除了速度之外，自主方法扩大了我们可以研究的范围，这意味着我们可以解决更具挑战性的科学问题。」
「展望未来，我们想研究多个参数之间复杂的相互作用。我们使用 CFN 计算机集群进行了模拟，验证了我们的实验结果，但他们也提出了其他参数，如薄膜厚度，也可以发挥重要作用，」 Doerk 说。
该团队正在积极地将他们的自主研究方法应用于自组装以及其他类别材料中更具挑战性的材料发现问题。自主发现方法具有适应性，几乎可以应用于任何研究问题。
「我们现在正在将这些方法部署到来到 CFN 和 NSLS-II 进行实验的广大用户社区，」Yager 说。「任何人都可以与我们合作，加速他们材料研究的探索。我们预计，这将在未来几年带来一系列新发现，包括清洁能源和微电子等国家优先领域。」
参考内容：https://phys.org/news/2023-01-ai-nanostructures.html
本文转自：ScienceAI，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
