神经网络技术识别铁电切换机理

示意图,示出了与铁电材料表面接触的悬臂的3D渲染的示意图。该图显示了神经网络如何用于可视化可以与响应机制相关的空间差异。

Joshua Agar的AI技术允许他和他的团队识别和可视化铁电域切换的几何驱动差异,这是下一代计算的重要进步。

物质科学的创新对现代生活至关重要,作为室内管道 - 并随意被忽视。

例如,半导体设备的创新继续使得能够更快地传输更多信息,更快,更快地通过较小的硬件 - 例如通过符合我们手掌掌握的设备。

成像技术的改进使得可以收集关于这些装置中使用的纳米材料的性质的堆积。(一纳米是米的十亿分钟。对于规模,人毛的一股厚度在50,000到100,000纳米之间。)

“挑战是,产生人类可解释的数据的分析方法仍然没有数据的复杂性和幅度,”利火大学材料科学助理教授Joshua Agar说。“只有一个无限的小部分收集的数据被翻译成知识。”

琼脂研究纳米级铁电,这是表现出自发电极化的材料 - 由于带电原子的小变化 - 可以通过应用外部电场来反转。尽管在下一代低功耗信息存储/计算中具有有前途的应用,但通过收获废能,环境友好的固态冷却等等,仍需要解决一些问题,以达到其全部潜力。

琼脂使用多模式高光谱成像技术 - 通过在橡木岭国家实验室的纳比材料科学中心提供用户节目 - 被称为带励磁压电响应力显微镜,其测量材料的机械性能,因为它们反应电刺激。这些所谓的原位表征技术允许直接观察纳米级过程的作用。

“我们的实验涉及用悬臂触摸材料,并在用电场驱动电场时测量材料的性质,”琼脂说。“基本上,我们将每一个像素转到每个像素,并在通过转换驱动它时测量材料的非常小区域的响应。”

该技术产生了关于材料如何响应的大量信息以及在不同状态之间转换时发生的过程的种类解释说明agar。

“您可以为每个具有许多频谱和不同响应的每个像素获得此地图,”Agar说。“所有这些信息都立即出现了这种技术。问题是你怎样怎样才能出来发生的事情,因为数据不干净 - 它是嘈杂的。“

琼脂和他的同事开发了一种人工智能(AI)技术,它使用深神经网络来学习由他们的实验产生的大量数据,并提取有用的信息。应用这种方法他和他的团队已经确定 - 并为铁电域切换的第一次 - 几何驱动差异而可视化。

该技术以及如何利用它来实现这一发现,已经在2019年10月22日发布的文章中描述了使用深度经常性神经网络揭示铁电切换性能的自然通信。其他提交人包括来自加利福尼亚大学伯克利的研究人员;劳伦斯伯克利国家实验室;德克萨斯大学在阿灵顿;宾夕法尼亚州立大学,大学公园;而且,橡木岭国家实验室纳比材料科学中心。

该团队是材料科学领域的第一个,通过旨在启用交互式计算的开源软件发布纸张。本文以及代码可用作jupyter笔记本,它在谷歌协作,免费云计算服务上运行。任何研究人员都可以访问纸质和代码,测试方法,修改参数,即使,也可以在自己的数据上尝试。通过共享数据,分析代码和描述agar希望这种方法用于在橡树岭国家实验室纳比材料科学中心使用这种高光谱特征技术的社区。

根据琼脂,神经网络方法可以具有广泛的应用:“它可以用于电子显微镜,扫描隧道显微镜,即使在航空摄影中,”琼尔说。“它过边界。”

事实上,神经网络技术脱离了工作agar与约书亚绽放,伯克利天文学教授以前在自然天文学中发表的。琼脂适应并将技术应用于材料使用。

“我的天文学同事正在调查夜空,看着不同的星星,并试图对他们基于光强度的曲线来分类的恒星,”琼尔说。

使用神经网络方法分析高光谱成像数据

应用神经网络技术,它使用自然语言处理中使用的模型,琼脂和他的同事能够直接图像和可视化古典铁电材料的开关中的重要细节:铅锆钛酸铅,在此之前,从未如此完毕。

当材料在外部电场下切换其偏振状态时,解释琼脂,它形成畴壁,或两种不同的极化取向之间的边界。根据几何形状,电荷可以在该边界累积。这些域壁接口的模块化电导率是材料在晶体管和存储器件中使用的强潜力的关键。

“从物理学的角度来看,我们在这里检测到不同类型的畴壁,这取决于几何形状,”琼脂表示。

根据琼脂,这种发现无法使用更多的原始机器学习方法,因为这些技术倾向于使用线性模型来识别线性相关性。此类模型无法有效地处理结构化数据或使得了解高光谱成像所生成的数据所需的复杂相关性。

有一个黑匣子的性质对神经网络agar的类型已经开发出来。该方法通过将inpidual Math组件堆叠到复杂的体系结构中。然后系统通过“在又一次地响起数据响起,直到它识别重要的东西来优化。

然后,agar以较少的参数创建该模型的简单,低维度表示。

“要解释我可能会问的输出:'10个参数最重要的是定义数据集中的所有功能?“”agar说。“然后我可以通过使用该信息来可视化这10个参数如何影响响​​应,识别重要功能。”

纳米人界面

AGAR对该项目的工作是由三脚架+ X格兰特(Tripods + X Grant)一直支持,该计划是支持合作团队的国家科学基金会奖项,以带来复杂和根深蒂固的数据科学问题的新观点。

这项工作也是Lehigh纳米/人类界面总统工程研究倡议的一部分。这一多学科倡议由300万美元的机构投资资助,建议开发一个人机界面,将提高可视化和解释科学研究产生的大量数据的能力。该倡议旨在改变人类的线束和与数据互动的方式以及科学发现的文书,最终创造容易为人类解释和可视化的陈述。

“这个工具可能是一种方法,因为一旦训练,神经网络系统都可以非常快地评估新的数据,”琼尔说。“它可以使其可以拍摄非常大的数据流并在飞行中处理它们。一旦处理,数据可以以一种可解释的方式与某人共享,将该大数据流转化为可操作的信息。“

参考:

揭示铁电切换性能使用Joshua C. Agar,Brett Naul,Shishir Pandya,Josehua Maher,姚仁,龙庆陈,塞林林,塞林林,Rama K.Vasudevan,Ye Cao,Ye Cao, Joshua S. Bloom和Lane W.Martin,2019年10月22日,自然通信.DO:
10.1038 / s41467-019-12750-0

Brett Naul,Joshua S. Bloom,FernandoPérez和Stéfanvanderwalt,2017年11月27日的自然天文学.DOI:
10.1038 / s41550-017-0321-z

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。