美国能源部橡树岭国家实验室（Oak Ridge National Laboratory）的研究人员正在教授显微镜，以通过实验室纳米材料科学中心开发的直观算法推动发现，该算法可以指导能源技术、传感和计算新材料的突破。
ORNL计算科学与工程部和CNMS的MaximZiatdinov说：“有太多的潜在材料，其中一些我们根本无法用常规工具进行研究，需要更有效和系统的方法来设计和合成。”。“我们可以使用智能自动化来访问未勘探的材料，并创建一条共享的、可复制的路径，找到以前不可能实现的发现。”
该方法发表在《自然机器智能》（Nature Machine Intelligence）上，它将物理和机器学习结合起来，自动进行显微镜实验，以研究纳米级材料的功能特性。
功能材料对热或电等刺激物有反应，其设计可支持日常和新兴技术，从计算机和太阳能电池到人造肌肉和形状记忆材料。它们独特的性质与原子结构和微结构有关，这些结构和微结构可以用高级显微镜观察到。然而，面临的挑战是开发有效的方法来定位这些属性出现和可调查的感兴趣区域。
扫描探针显微镜是探索功能材料结构-性能关系的重要工具。仪器用一个原子般锋利的探针扫描材料表面，绘制出纳米级的结构图鈥攖他的长度是十亿分之一米。它们还可以检测对一系列刺激的反应，深入了解极化开关、电化学反应性、塑性变形或量子现象的基本机制。今天的显微镜可以对纳米正方形网格进行逐点扫描，但这一过程可能非常缓慢，需要在数天内收集单个材料的测量数据。
“有趣的物理现象通常只表现在少数空间位置，并与特定但未知的结构元素联系在一起。虽然我们通常对我们旨在发现的物理现象的特征有一个想法，但有效地定位这些感兴趣的区域是一个主要瓶颈，”前ORNL CNMS科学家兼主要作者说SergeiKalinin，现就读于诺克斯维尔田纳西大学。“我们的目标是教显微镜主动地、以比网格搜索更有效的方式寻找具有有趣物理的区域。”
科学家已经转向机器学习和人工智能来克服这一挑战，但传统算法需要大量的人工编码数据集，最终可能无法节省时间。
为了更智能地实现自动化，ORNL工作流将基于人的物理推理融入机器学习方法，并使用非常小的数据集鈥攊从少于1%的样本中获得的法师鈥攁这是一个起点。该算法根据在实验中学习到的内容和来自实验外的知识来选择兴趣点。
作为概念证明，使用扫描探针显微镜演示了一个工作流程，并将其应用于研究良好的铁电材料。铁电体是一种具有可重新定向表面电荷的功能材料，可用于计算、驱动和传感应用。科学家们有兴趣了解这些材料所能储存的能量或信息量与控制这一特性的局部域结构之间的联系。自动化实验发现了特定的拓扑缺陷，并对这些参数进行了优化。
“值得注意的是，该工作流程被应用于研究界熟悉的材料系统，并很快取得了一个以前未知的基本发现鈥攊在这种情况下，几个小时内，”齐亚季诺夫说。
结果更快鈥攂y数量级鈥攖它代表了智能自动化的一个新方向。
Ziatdinov说：“我们希望不再只根据以前实验的数据来训练计算机，而是教计算机如何像研究人员一样思考和动态学习。”。“我们的方法受到人类直觉的启发，并认识到许多重大发现都是通过研究人员的反复试验而取得的，他们依靠自己的专业知识和经验来猜测应该去哪里寻找。”
ORNL的刘永涛（Yongtao Liu）负责在CNMS的手术显微镜上运行该算法的技术挑战。“这不是现成的功能，很多工作都是在连接硬件和软件，”刘说。“我们专注于扫描探针显微镜，但该设置可应用于更广泛用户群体可访问的其他实验成像和光谱学方法。”
这篇期刊文章的标题是“通过主动学习实验发现铁电材料的结构-性能关系”