KI entdeckt neue Nanostrukturen

Die neu entdeckten Strukturen wurden durch einen Prozess gebildet, der als Selbstorganisation bezeichnet wird und bei dem sich die Moleküle eines Materials zu einzigartigen Mustern zusammensetzen. Die Wissenschaftler des Center for Functional Nanomaterials (CFN) in Brookhaven sind Experten in der Steuerung des Selbstorganisationsprozesses und erstellen Vorlagen für Materialien, die die gewünschten Anordnungen für Anwendungen in der Mikroelektronik, Katalyse und anderen Bereichen bilden. Ihre Entdeckung der Leiter im Nanomaßstab und anderer neuer Strukturen erweitert den Anwendungsbereich der Selbstmontage.

"Die Selbstorganisation kann als Technik für die Nanomusterung eingesetzt werden, die eine treibende Kraft für Fortschritte in der Mikroelektronik und der Computerhardware ist", sagt CFN-Wissenschaftler und Mitautor Gregory Doerk. "Bei diesen Technologien geht es immer um eine höhere Auflösung unter Verwendung kleinerer Nanostrukturen. Mit selbstorganisierenden Materialien lassen sich sehr kleine und streng kontrollierte Strukturen erzeugen, die jedoch nicht unbedingt den Regeln folgen, die wir beispielsweise für Schaltkreise aufstellen. Indem wir die Selbstorganisation mit Hilfe einer Schablone steuern, können wir Muster bilden, die nützlicher sind.

Die Wissenschaftler am CFN, einer Nutzereinrichtung des DOE Office of Science, wollen eine Bibliothek von selbst zusammengesetzten Nanomustern aufbauen, um deren Anwendungsmöglichkeiten zu erweitern. In früheren Studien haben sie gezeigt, dass neue Arten von Mustern möglich sind, wenn zwei selbstorganisierende Materialien miteinander vermischt werden.

"Die Tatsache, dass wir jetzt eine Leiterstruktur erzeugen können, von der noch nie jemand geträumt hat, ist erstaunlich", sagt Kevin Yager, Leiter der CFN-Gruppe und Mitautor. "Traditionelle Selbstorganisation kann nur relativ einfache Strukturen wie Zylinder, Platten und Kugeln bilden. Aber durch das Mischen zweier Materialien und die Verwendung des richtigen chemischen Gitters haben wir herausgefunden, dass völlig neue Strukturen möglich sind."

Durch das Mischen selbstorganisierender Materialien konnten die CFN-Wissenschaftler einzigartige Strukturen aufdecken, aber es hat auch neue Herausforderungen mit sich gebracht. Da bei der Selbstorganisation viel mehr Parameter kontrolliert werden müssen, ist die Suche nach der richtigen Kombination von Parametern zur Schaffung neuer und nützlicher Strukturen ein Kampf gegen die Zeit. Um ihre Forschung zu beschleunigen, nutzten die CFN-Wissenschaftler eine neue KI-Fähigkeit: autonomes Experimentieren.

In Zusammenarbeit mit dem Center for Advanced Mathematics for Energy Research Applications (CAMERA) am Lawrence Berkeley National Laboratory des DOE haben Brookhavener Wissenschaftler am CFN und an der National Synchrotron Light Source II (NSLS-II), einer weiteren Nutzereinrichtung des DOE Office of Science am Brookhaven Lab, ein KI-Framework entwickelt, das alle Schritte eines Experiments autonom definieren und durchführen kann. Der gpCAM-Algorithmus von CAMERA steuert die autonome Entscheidungsfindung des Systems. Die jüngste Forschungsarbeit ist die erste erfolgreiche Demonstration der Fähigkeit des Algorithmus, neue Materialien zu entdecken.

"gpCAM ist ein flexibler Algorithmus und eine Software für autonome Experimente", sagt Marcus Noack, Wissenschaftler am Berkeley Lab und Mitautor. "Er wurde in dieser Studie besonders raffiniert eingesetzt, um verschiedene Eigenschaften des Modells autonom zu erforschen."

"Mit Hilfe unserer Kollegen am Berkeley Lab hatten wir diese Software und Methodik einsatzbereit, und jetzt haben wir sie erfolgreich eingesetzt, um neue Materialien zu entdecken", so Yager. "Wir haben jetzt genug über autonome Wissenschaft gelernt, um ein Materialproblem in ein autonomes Problem umzuwandeln."

Um die Entdeckung von Materialien mit Hilfe des neuen Algorithmus zu beschleunigen, entwickelte das Team zunächst eine komplexe Probe mit einem Spektrum von Eigenschaften für die Analyse. Die Forscher stellten die Probe mit Hilfe der CFN-Nanofabrikationsanlage her und führten die Selbstorganisation in der CFN-Materialsyntheseanlage durch.

"Die herkömmliche Methode der Materialwissenschaft besteht darin, eine Probe zu synthetisieren, sie zu messen, daraus zu lernen und dann eine andere Probe herzustellen und diesen Prozess zu wiederholen", so Yager. "Stattdessen haben wir eine Probe hergestellt, die einen Gradienten jedes Parameters aufweist, an dem wir interessiert sind. Diese einzelne Probe ist also eine riesige Sammlung vieler verschiedener Materialstrukturen."

Anschließend brachte das Team die Probe zur NSLS-II, die ultrahelle Röntgenstrahlen zur Untersuchung der Materialstruktur erzeugt. Das CFN betreibt in Partnerschaft mit dem NSLS-II drei Experimentierstationen, von denen eine, die SMI-Beamline (Soft Matter Interfaces), für diese Studie genutzt wurde.

"Eine der Stärken der SMI-Beamline ist die Fähigkeit, den Röntgenstrahl bis auf wenige Mikrometer genau auf die Probe zu fokussieren", so NSLS-II-Wissenschaftler und Mitautor Masa Fukuto. "Indem wir analysieren, wie diese Mikro-Röntgenstrahlen vom Material gestreut werden, erfahren wir etwas über die lokale Struktur des Materials an der beleuchteten Stelle. Messungen an vielen verschiedenen Stellen können dann aufzeigen, wie sich die lokale Struktur über die Gradientenprobe hinweg verändert. In dieser Arbeit lassen wir den KI-Algorithmus spontan entscheiden, welcher Punkt als nächstes gemessen werden soll, um den Wert jeder Messung zu maximieren."

Während die Probe an der SMI-Beamline gemessen wurde, erstellte der Algorithmus ohne menschliches Zutun ein Modell der zahlreichen und vielfältigen Strukturen des Materials. Das Modell aktualisierte sich mit jeder nachfolgenden Röntgenmessung und machte jede Messung aufschlussreicher und genauer.

Innerhalb weniger Stunden hatte der Algorithmus drei Schlüsselbereiche in der komplexen Probe identifiziert, die die CFN-Forscher genauer untersuchen sollten. Sie nutzten die Elektronenmikroskopie des CFN, um diese Schlüsselbereiche bis ins kleinste Detail abzubilden und entdeckten dabei unter anderem die Schienen und Sprossen einer Leiter im Nanomaßstab.

Von Anfang bis Ende dauerte das Experiment etwa sechs Stunden. Die Forscher schätzen, dass sie mit herkömmlichen Methoden etwa einen Monat gebraucht hätten, um diese Entdeckung zu machen.

"Autonome Methoden können die Entdeckung enorm beschleunigen", so Yager. "Damit wird die übliche Entdeckungsschleife der Wissenschaft im Wesentlichen 'gestrafft', so dass wir schneller zwischen Hypothesen und Messungen wechseln können. Neben der Schnelligkeit erhöhen autonome Methoden jedoch auch den Umfang dessen, was wir untersuchen können, was bedeutet, dass wir anspruchsvollere wissenschaftliche Probleme in Angriff nehmen können.

"In Zukunft wollen wir das komplexe Zusammenspiel mehrerer Parameter untersuchen. Wir haben mit dem CFN-Computercluster Simulationen durchgeführt, die unsere experimentellen Ergebnisse bestätigen, aber auch Hinweise darauf geben, dass andere Parameter wie die Schichtdicke ebenfalls eine wichtige Rolle spielen können", so Doerk.

Das Team wendet seine autonome Forschungsmethode aktiv auf noch anspruchsvollere Materialentdeckungsprobleme im Bereich der Selbstorganisation sowie auf andere Materialklassen an. Autonome Entdeckungsmethoden sind anpassungsfähig und können auf nahezu jedes Forschungsproblem angewendet werden.

"Wir setzen diese Methoden jetzt für die breite Gemeinschaft von Nutzern ein, die zum CFN und NSLS-II kommen, um Experimente durchzuführen", so Yager. "Jeder kann mit uns zusammenarbeiten, um die Erforschung seiner Materialien zu beschleunigen. Wir gehen davon aus, dass dies in den kommenden Jahren eine Vielzahl neuer Entdeckungen ermöglichen wird, auch in nationalen Schwerpunktbereichen wie saubere Energie und Mikroelektronik."