
Scanning-elektronenmicroscopiebeelden tonen nieuwe nanostructuren die zijn ontdekt door kunstmatige intelligentie. Onderzoekers beschrijven de patronen als scheef (links), afwisselende lijnen (midden) en ladder (rechts). Schaalbalken zijn 200 nanometer. Krediet: Brookhaven National Laboratory
Wetenschappers van het Brookhaven National Laboratory van het Amerikaanse Department of Energy (DOE) hebben met succes aangetoond dat autonome methoden nieuwe materialen kunnen ontdekken. De door kunstmatige intelligentie (AI) aangedreven techniek leidde tot de ontdekking van drie nieuwe nanostructuren, waaronder een unieke ‘ladder’ op nanoschaal. Het onderzoek was vandaag gepubliceerd in Wetenschappelijke vooruitgang..
De nieuw ontdekte structuren werden gevormd door een proces dat zelfassemblage wordt genoemd, waarbij de moleculen van een materiaal zichzelf organiseren in unieke patronen. Wetenschappers van Brookhaven’s Center for Functional Nanomaterials (CFN) zijn experts in het sturen van het zelfassemblageproces, het maken van sjablonen voor materialen om wenselijke arrangementen te vormen voor toepassingen in micro-elektronica, katalyse en meer. Hun ontdekking van de ladder op nanoschaal en andere nieuwe structuren breidt de reikwijdte van de toepassingen van zelfassemblage verder uit.
“Zelfassemblage kan worden gebruikt als een techniek voor nanopatterning, wat een motor is voor vooruitgang in micro-elektronica en computerhardware”, zegt CFN-wetenschapper en co-auteur Gregory Doerk. “Deze technologieën streven altijd naar een hogere resolutie met behulp van kleinere nanopatronen. Je kunt heel kleine en strak gecontroleerde functies krijgen van zelfassemblerende materialen, maar ze voldoen niet noodzakelijkerwijs aan het soort regels dat we bijvoorbeeld voor circuits opstellen. zelf-assemblage met behulp van een sjabloon, kunnen we patronen vormen die nuttiger zijn.”
Stafwetenschappers van CFN, een DOE Office of Science User Facility, streven naar het bouwen van een bibliotheek van zelf-geassembleerde nanopatroontypen om hun toepassingen te verbreden. In eerdere studies toonden ze aan dat nieuwe soorten patronen mogelijk worden gemaakt door twee zelfassemblerende materialen samen te voegen.
“Het feit dat we nu een ladderstructuur kunnen creëren, waar nog nooit iemand van heeft gedroomd, is verbazingwekkend”, zegt CFN-groepsleider en co-auteur Kevin Yager. “Traditionele zelfassemblage kan alleen relatief eenvoudige structuren vormen, zoals cilinders, platen en bollen. Maar door twee materialen met elkaar te vermengen en precies het juiste chemische rooster te gebruiken, hebben we ontdekt dat geheel nieuwe structuren mogelijk zijn.”
Door zelfassemblerende materialen samen te voegen, hebben CFN-wetenschappers unieke structuren kunnen ontdekken, maar het heeft ook nieuwe uitdagingen gecreëerd. Met veel meer parameters om te controleren in het zelfassemblageproces, is het vinden van de juiste combinatie van parameters om nieuwe en bruikbare structuren te creëren een strijd tegen de tijd. Om hun onderzoek te versnellen, maakten CFN-wetenschappers gebruik van een nieuwe AI-mogelijkheid: autonoom experimenteren.
In samenwerking met het Center for Advanced Mathematics for Energy Research Applications (CAMERA) van DOE’s Lawrence Berkeley National Laboratory, Brookhaven-wetenschappers van CFN en de National Synchrotron Light Source II (NSLS-II), een andere DOE Office of Science User Facility in Brookhaven Lab, hebben een AI-framework ontwikkeld dat autonoom alle stappen van een experiment kan definiëren en uitvoeren. Het gpCAM-algoritme van CAMERA drijft de autonome besluitvorming van het framework aan. Het nieuwste onderzoek is de eerste succesvolle demonstratie van het team van het vermogen van het algoritme om nieuwe materialen te ontdekken.

Röntgenverstrooiingsgegevens (links) worden getoond naast overeenkomstige scanning-elektronenmicroscopiebeelden (rechts) van sleutelgebieden in het monster geïdentificeerd door het AI-algoritme. De afbeeldingen onthulden drie nieuwe nanopatronen: afwisselende lijnen (boven), scheef (midden) en ladder (onder). Schaalbalk is 500 nanometer. Krediet: Brookhaven National Laboratory
“gpCAM is een flexibel algoritme en software voor autonoom experimenteren”, zegt Berkeley Lab-wetenschapper en co-auteur Marcus Noack. “Het werd bijzonder ingenieus gebruikt in deze studie om autonoom verschillende kenmerken van het model te verkennen.”
“Met de hulp van onze collega’s van Berkeley Lab hadden we deze software en methodologie klaar voor gebruik, en nu hebben we deze met succes gebruikt om nieuwe materialen te ontdekken”, zei Yager. “We hebben nu genoeg geleerd over autonome wetenschap dat we een materiaalprobleem vrij gemakkelijk kunnen omzetten in een autonoom probleem.”
Om de ontdekking van materialen te versnellen met behulp van hun nieuwe algoritme, ontwikkelde het team eerst een complex monster met een spectrum aan eigenschappen voor analyse. Onderzoekers vervaardigden het monster met behulp van de CFN-nanofabricagefaciliteit en voerden de zelfassemblage uit in de CFN-materiaalsynthesefaciliteit.
“Een ouderwetse manier om materiaalwetenschap te bedrijven, is door een monster te synthetiseren, het te meten, ervan te leren en dan terug te gaan en een ander monster te maken en dat proces te blijven herhalen”, zei Yager. “In plaats daarvan hebben we een monster gemaakt met een gradiënt van elke parameter waarin we geïnteresseerd zijn. Dat enkele monster is dus een enorme verzameling van veel verschillende materiaalstructuren.”
Vervolgens bracht het team het monster naar NSLS-II, dat ultraheldere röntgenstralen genereert om de structuur van materialen te bestuderen. CFN exploiteert drie experimentele stations in samenwerking met NSLS-II, waarvan er één werd gebruikt in deze studie, de Soft Matter Interfaces (SMI) beamline.
“Een van de sterke punten van de SMI-bundellijn is het vermogen om de röntgenstraal op het monster tot op microns te focussen”, zegt NSLS-II-wetenschapper en co-auteur Masa Fukuto. “Door te analyseren hoe deze microbeam-röntgenstralen door het materiaal worden verstrooid, leren we over de lokale structuur van het materiaal op de verlichte plek. Metingen op veel verschillende plekken kunnen vervolgens onthullen hoe de lokale structuur varieert over het gradiëntmonster. In dit werk hebben we laat het AI-algoritme direct kiezen welke plek moet worden gemeten om de waarde van elke meting te maximaliseren.”
Terwijl het monster werd gemeten aan de SMI-bundellijn, creëerde het algoritme, zonder menselijke tussenkomst, een model van de talrijke en diverse structuren van het materiaal. Het model werkte zichzelf bij elke volgende röntgenmeting bij, waardoor elke meting inzichtelijker en nauwkeuriger werd.

De Soft Matter Interfaces (SMI) bundellijn bij de National Synchrotron Light Source II. Krediet: Brookhaven National Laboratory
Binnen enkele uren had het algoritme drie belangrijke gebieden in de complexe steekproef geïdentificeerd die de CFN-onderzoekers nader moesten bestuderen. Ze gebruikten de CFN-elektronenmicroscopiefaciliteit om die belangrijke gebieden tot in de kleinste details in beeld te brengen, waarbij onder meer de rails en sporten van een ladder op nanoschaal werden blootgelegd.
Van begin tot eind duurde het experiment ongeveer zes uur. De onderzoekers schatten dat ze ongeveer een maand nodig zouden hebben gehad om deze ontdekking op traditionele wijze te doen.
“Autonome methoden kunnen de ontdekking enorm versnellen”, zei Yager. “Het is in wezen het ‘aanscherpen’ van de gebruikelijke ontdekkingslus van de wetenschap, zodat we sneller schakelen tussen hypothesen en metingen. Naast alleen snelheid vergroten autonome methoden echter de reikwijdte van wat we kunnen bestuderen, wat betekent dat we meer uitdagende wetenschappelijke problemen kunnen aanpakken. ”
“In de toekomst willen we het complexe samenspel tussen meerdere parameters onderzoeken. We hebben simulaties uitgevoerd met behulp van het CFN-computercluster dat onze experimentele resultaten verifieerde, maar ze suggereerden ook hoe andere parameters, zoals filmdikte, ook een belangrijke rol kunnen spelen.” zei Doerk.
Het team past hun autonome onderzoeksmethode actief toe op nog uitdagender materiaalontdekkingsproblemen bij zelfassemblage, evenals andere materiaalklassen. Autonome ontdekkingsmethoden zijn aanpasbaar en kunnen op bijna elk onderzoeksprobleem worden toegepast.
“We passen deze methoden nu toe op de brede gemeenschap van gebruikers die naar CFN en NSLS-II komen om experimenten uit te voeren, ” zei Yager. “Iedereen kan met ons samenwerken om de verkenning van hun materiaalonderzoek te versnellen. We voorzien dat dit de komende jaren een groot aantal nieuwe ontdekkingen mogelijk zal maken, ook op nationale prioritaire gebieden zoals schone energie en micro-elektronica.”
Meer informatie:
Gregory S. Doerk et al, Autonome ontdekking van opkomende morfologieën in gerichte zelfassemblage van blokcopolymeermengsels, Wetenschappelijke vooruitgang (2023). DOI: 10.1126/sciadv.add3687. www.science.org/doi/10.1126/sciadv.add3687
Tijdschrift informatie:
Wetenschappelijke vooruitgang
Geleverd door Brookhaven National Laboratory