利用神经网络技术确定铁电开关的机理

时间:2019-12-22 18:16 来源:seo 作者:杏鑫 点击量:

利用神经网络技术确定铁电开关的机理显示悬臂与铁电材料表面接触的三维绘制示意图。该图展示了如何使用神经网络来可视化与响应机制相关的空间差异。资料来源:乔舒亚·c·艾格和乔舒亚·威利

约书亚·艾格的人工智能技术使他和他的团队能够识别和可视化铁电畴转换的几何驱动差异,这是下一代计算的一个重要进步。

材料科学的创新对现代生活的重要性不亚于室内管道然后悄无声息地四处走动。

例如,半导体设备的创新使更多的信息更快地通过更小的硬件传输成为可能。比如通过一个适合我们手掌的装置。

成像技术的进步使得收集大量有关用于此类设备的纳米材料性能的数据成为可能。(1纳米是一米的十亿分之一。按比例计算,一根人类头发的厚度在5万到10万纳米之间。

“挑战在于,产生可被人类解释的数据的分析方法仍然无法应对数据的复杂性和规模,”利哈伊大学材料科学助理教授乔舒亚·艾格说。收集到的数据中只有极小部分被转化为知识。

琼脂用于研究纳米级铁电体,即表现出自发电极化的材料由于带电原子的微小移动这可以通过外加电场来逆转。尽管铁电材料在新一代低功耗信息存储/计算、利用废物能源提高能源效率、固态制冷等方面有很好的应用前景,但铁电材料要充分发挥其潜力仍有许多问题需要解决。

琼脂采用多模态高光谱成像技术可通过橡树岭国家实验室纳米材料科学中心的用户程序获得称为带激发压电反射力显微镜,它测量材料的机械性能,因为他们对电刺激的反应。这些所谓的原位表征技术允许直接观察纳米尺度的过程。

我们的实验包括用悬臂接触材料,当我们用电场驱动材料时,测量材料的特性。琼脂说。“本质上,我们研究每一个像素,测量材料的一个非常小的区域在我们驱动它进行转换时的响应。”

琼脂解释说,这项技术产生了大量关于材料如何反应的信息,以及材料在不同状态之间转换时发生的各种过程。

“每个像素都有很多光谱和不同的响应,”琼脂说。用这种方法,所有这些信息都能立刻得到。问题是,你怎么知道发生了什么,因为数据不是干净的挑大梁年代嘈杂.”

Agar和他的同事已经开发了一种人工智能(AI)技术,利用深度神经网络从他们的实验产生的大量数据中学习并提取有用的信息。应用这种方法,他和他的团队已经确定了-第一次有了视觉上的感受铁电畴切换的几何驱动差异。

在《自然通讯》杂志2019年10月22日发表的一篇题为《利用深度递归神经网络揭示铁电开关特性》的文章中,描述了这种技术以及如何利用它来实现这一发现。其他作者包括来自加州大学伯克利分校的研究人员;劳伦斯伯克利国家实验室;德州大学阿灵顿分校;宾夕法尼亚州立大学,大学公园;以及橡树岭国家实验室的纳米材料科学中心。

该团队是材料科学领域中第一批通过开放源代码软件发表论文的团队之一,该软件旨在实现交互式计算。这篇论文和代码都有木星笔记本,运行在免费云计算服务谷歌Collaboratory上。任何研究人员都可以访问论文和代码,测试方法,修改参数,甚至在自己的数据上尝试。通过共享数据、分析代码和描述,琼脂希望这种方法能在橡树岭国家实验室纳米材料科学中心使用这种高光谱表征技术的人以外的社区使用。

根据琼脂,神经网络方法可以有广泛的应用:它可以用于电子显微镜,扫描隧道显微镜,甚至在航空摄影,它可以用于电子显微镜,扫描隧道显微镜;琼脂说。“没有,跨越边界.”

事实上,神经网络技术是艾格和加州大学伯克利分校的天文学教授约书亚·布鲁姆合作的成果,该成果之前发表在《自然·天文学》杂志上。琼脂适应和应用该技术的材料使用。

“我的天文学同事当时正在观测夜空,观察不同的恒星,并试图根据它们的光强分布图来对它们进行分类。”琼脂说。

利用神经网络方法分析高光谱成像数据

利用神经网络技术,利用自然语言处理中使用的模型,Agar和他的同事能够直接成像和可视化一个重要的微妙的传统铁电材料的转换:钛酸锆铅,在此之前,从来没有做过。

琼脂解释说,当材料在外部电场下改变其极化状态时,它会形成一个域壁,或两个不同极化方向之间的边界。根据几何形状,电荷可以在那个边界处积聚。这些域壁界面的模块电导率是材料在晶体管和存储设备中具有强大潜力的关键。

“我们从物理学的角度检测到的是不同类型的畴壁的形成,根据不同的几何形状,这些畴壁可以是带电的,也可以是非带电的。”琼脂说。

根据琼脂,这一发现不可能使用更原始的机器学习方法,因为这些技术往往使用线性模型来识别线性相关性。这些模型不能有效地处理结构化数据,也不能进行理解高光谱成像所产生的数据所需的复杂关联。

有一个黑盒性质的神经网络琼脂已经发展的类型。该方法通过将单个数学组件叠加到复杂的体系结构中来实现。然后,系统通过“一遍又一遍不断地读取数据,直到确定什么是重要的”来优化自身。

然后琼脂用较少的参数创建一个简单的、低维的模型表示。

“为了解释输出,我可能会问:‘定义数据集中所有特性最重要的10个参数是什么?’”琼脂说。“然后我就可以想象这10个参数是如何影响响应的,并利用这些信息来识别重要的特征。”

纳米界面

琼脂在这个项目上的工作得到了TRIPODS X赠款的部分支持,这是一个国家科学基金奖项目,支持协作团队带来新的视角来处理复杂和根深蒂固的数据科学问题。

这项工作也是Lehigh的Nano/Human Interface总统制工程研究计划的一部分。这项由300万美元机构投资资助的多学科项目,旨在开发一个人机界面,提高对科学研究产生的大量数据进行可视化和解释的能力。该倡议旨在改变人类的生活方式。利用数据和科学发现的工具,并与之交互,最终创造出易于人类理解和可视化的表现形式。

这个工具可能是一种方法,因为一旦经过训练,神经网络系统可以非常快速地评估一段新的数据。琼脂说。“它可能使获取非常大的数据流并动态处理它们成为可能。一旦处理完毕,这些数据就可以以一种可解释的方式与他人共享,将庞大的数据流转化为可操作的信息。”

引用:

利用深度递归神经网络揭示铁电开关特性Joshua C. Agar, Brett Naul, Shishir Pandya, Stefan van der Walt, Joshua Maher, Yao Ren, Long-Qing Chen, Sergei V. Kalinin, Rama K. Vasudevan, Ye Cao, Joshua S. Bloom and Lane W. Martin, 2019年10月22日,Nature Communications。DOI: 10.1038 / s41467 - 019 - 12750 - 0

非均匀采样变星分类的递归神经网络Brett Naul, Joshua S. Bloom, Fernando Perez和Stefan van der Walt 2017年11月27日,《自然天文学》。DOI: 10.1038 / s41550 - 017 - 0321 - z

当前位置:主页 > 科学知识 >

声明:本文杏鑫娱乐整理不代表个人观点,转载请注明原文,点击还能查看更多的文章;本文网址: http://www.kozbods.com/kexue/lysjwljsqdtdkgdjl.html

围观: 次 | 责任编辑:杏鑫

延伸阅读

SEO关键字



回到顶部