Los científicos del Laboratorio Nacional Brookhaven del Departamento de Energía de EE. UU. (DOE) han demostrado con éxito que los métodos autónomos pueden descubrir nuevos materiales. La técnica impulsada por la inteligencia artificial (IA) condujo al descubrimiento de tres nuevas nanoestructuras, incluida una «escalera» a nanoescala, la primera de su tipo. La investigación fue publicada hoy en Avances de la ciencia.
Las estructuras recién descubiertas se formaron mediante un proceso llamado autoensamblaje, en el que las moléculas de un material se organizan en patrones únicos. Los científicos del Centro de Nanomateriales Funcionales (CFN) de Brookhaven son expertos en dirigir el proceso de autoensamblaje, creando plantillas para materiales para formar arreglos deseables para aplicaciones en microelectrónica, catálisis y más. Su descubrimiento de la escalera a nanoescala y otras estructuras nuevas amplía aún más el alcance de las aplicaciones del autoensamblaje.
«El autoensamblaje se puede utilizar como técnica para la creación de nanopatrones, que es un impulsor de los avances en microelectrónica y hardware informático», dijo el científico y coautor de CFN, Gregory Doerk. «Estas tecnologías siempre buscan una resolución más alta utilizando nanopatrones más pequeños. Se pueden obtener características muy pequeñas y estrictamente controladas a partir de materiales autoensamblados, pero no necesariamente obedecen el tipo de reglas que establecemos para los circuitos, por ejemplo. Al dirigir autoensamblado usando una plantilla, podemos formar patrones que son más útiles».
Los científicos del personal de CFN, que es una instalación de usuarios de la Oficina de Ciencias del DOE, tienen como objetivo construir una biblioteca de tipos de nanopatrones autoensamblados para ampliar sus aplicaciones. En estudios anteriores, demostraron que los nuevos tipos de patrones son posibles al combinar dos materiales autoensamblables.
«El hecho de que ahora podamos crear una estructura de escalera, con la que nadie había soñado antes, es increíble», dijo el líder del grupo CFN y coautor Kevin Yager. «El autoensamblaje tradicional solo puede formar estructuras relativamente simples como cilindros, láminas y esferas. Pero al mezclar dos materiales y usar la rejilla química adecuada, hemos descubierto que son posibles estructuras completamente nuevas».
La combinación de materiales autoensamblables ha permitido a los científicos de CFN descubrir estructuras únicas, pero también ha creado nuevos desafíos. Con muchos más parámetros que controlar en el proceso de autoensamblaje, encontrar la combinación correcta de parámetros para crear estructuras nuevas y útiles es una batalla contra el tiempo. Para acelerar su investigación, los científicos de CFN aprovecharon una nueva capacidad de IA: la experimentación autónoma.
En colaboración con el Centro de Matemáticas Avanzadas para Aplicaciones de Investigación Energética (CAMERA) en el Laboratorio Nacional Lawrence Berkeley del DOE, los científicos de Brookhaven en CFN y la Fuente Nacional de Luz Sincrotrón II (NSLS-II), otra instalación para usuarios de la Oficina de Ciencias del DOE en el Laboratorio Brookhaven, han estado desarrollando un marco de IA que puede definir y realizar de forma autónoma todos los pasos de un experimento. El algoritmo gpCAM de CAMERA impulsa la toma de decisiones autónoma del marco. La última investigación es la primera demostración exitosa del equipo de la capacidad del algoritmo para descubrir nuevos materiales.
«gpCAM es un algoritmo y software flexible para la experimentación autónoma», dijo Marcus Noack, científico y coautor de Berkeley Lab. «Se usó de manera particularmente ingeniosa en este estudio para explorar de forma autónoma diferentes características del modelo».
«Con la ayuda de nuestros colegas en Berkeley Lab, teníamos este software y metodología listos para usar, y ahora los hemos utilizado con éxito para descubrir nuevos materiales», dijo Yager. «Ahora hemos aprendido lo suficiente sobre la ciencia autónoma que podemos tomar un problema de materiales y convertirlo en un problema autónomo con bastante facilidad».
Para acelerar el descubrimiento de materiales utilizando su nuevo algoritmo, el equipo primero desarrolló una muestra compleja con un espectro de propiedades para el análisis. Los investigadores fabricaron la muestra utilizando la instalación de nanofabricación de CFN y llevaron a cabo el autoensamblaje en la instalación de síntesis de materiales de CFN.
«Una forma de la vieja escuela de hacer ciencia de materiales es sintetizar una muestra, medirla, aprender de ella y luego regresar y hacer una muestra diferente y seguir iterando ese proceso», dijo Yager. «En cambio, hicimos una muestra que tiene un gradiente de cada parámetro que nos interesa. Esa muestra única es, por lo tanto, una vasta colección de muchas estructuras de materiales distintas».
Luego, el equipo llevó la muestra al NSLS-II, que genera rayos X ultrabrillantes para estudiar la estructura de los materiales. CFN opera tres estaciones experimentales en asociación con NSLS-II, una de las cuales se utilizó en este estudio, la línea de luz Soft Matter Interfaces (SMI).
«Una de las fortalezas de la línea de luz SMI es su capacidad para enfocar el haz de rayos X en la muestra hasta micrones», dijo el científico y coautor del NSLS-II, Masa Fukuto. «Al analizar cómo estos rayos X de microhaz son dispersados por el material, aprendemos sobre la estructura local del material en el punto iluminado. Las mediciones en muchos puntos diferentes pueden revelar cómo varía la estructura local a lo largo de la muestra de gradiente. En este trabajo, deje que el algoritmo de IA elija, sobre la marcha, qué punto medir a continuación para maximizar el valor de cada medición».
Como la muestra se midió en la línea de luz SMI, el algoritmo, sin intervención humana, creó un modelo del conjunto numeroso y diverso de estructuras del material. El modelo se actualizó con cada medición de rayos X posterior, lo que hizo que cada medición fuera más detallada y precisa.
En cuestión de horas, el algoritmo había identificado tres áreas clave en la muestra compleja para que los investigadores de CFN las estudiaran más de cerca. Utilizaron la instalación de microscopía electrónica CFN para obtener imágenes de esas áreas clave con exquisito detalle, descubriendo los rieles y los peldaños de una escalera a nanoescala, entre otras características novedosas.
De principio a fin, el experimento duró unas seis horas. Los investigadores estiman que habrían necesitado alrededor de un mes para hacer este descubrimiento utilizando métodos tradicionales.
«Los métodos autónomos pueden acelerar enormemente el descubrimiento», dijo Yager. «Básicamente, se trata de ‘apretar’ el ciclo de descubrimiento habitual de la ciencia, de modo que alternamos entre hipótesis y mediciones más rápidamente. Sin embargo, más allá de la velocidad, los métodos autónomos aumentan el alcance de lo que podemos estudiar, lo que significa que podemos abordar problemas científicos más desafiantes. «
«En el futuro, queremos investigar la interacción compleja entre múltiples parámetros. Realizamos simulaciones utilizando el grupo de computadoras CFN que verificó nuestros resultados experimentales, pero también sugirieron cómo otros parámetros, como el espesor de la película, también pueden desempeñar un papel importante». dijo Doerk.
El equipo está aplicando activamente su método de investigación autónomo a problemas de descubrimiento de materiales aún más desafiantes en el autoensamblaje, así como a otras clases de materiales. Los métodos de descubrimiento autónomo son adaptables y se pueden aplicar a casi cualquier problema de investigación.
«Ahora estamos implementando estos métodos para la amplia comunidad de usuarios que acuden a CFN y NSLS-II para realizar experimentos», dijo Yager. «Cualquiera puede trabajar con nosotros para acelerar la exploración de su investigación de materiales. Prevemos que esto potenciará una gran cantidad de nuevos descubrimientos en los próximos años, incluso en áreas de prioridad nacional como la energía limpia y la microelectrónica».
Esta investigación fue apoyada por la Oficina de Ciencias del DOE.
