La IA descubre nuevas nanoestructuras

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 que los materiales formen las disposiciones deseadas para aplicaciones en microelectrónica, catálisis y otros campos. Su descubrimiento de la escalera a nanoescala y otras estructuras nuevas amplía aún más el alcance de las aplicaciones del autoensamblaje.

"El autoensamblaje puede utilizarse como técnica de nanopatterning, que impulsa los avances en microelectrónica y hardware informático", afirma Gregory Doerk, científico del CFN y coautor del trabajo. "Estas tecnologías siempre buscan una mayor resolución utilizando nanopatrones más pequeños. Los materiales autoensamblados permiten obtener características muy pequeñas y estrechamente controladas, pero no obedecen necesariamente al tipo de reglas que establecemos para los circuitos, por ejemplo. Dirigiendo el autoensamblaje mediante una plantilla, podemos formar patrones más útiles".

Los científicos del CFN, que es una instalación de usuarios de la Oficina de Ciencia del DOE, pretenden crear una biblioteca de tipos de nanopatrones autoensamblados para ampliar sus aplicaciones. En estudios anteriores, demostraron que es posible crear nuevos tipos de patrones mezclando dos materiales autoensamblables.

"El hecho de que ahora podamos crear una estructura en escalera, con la que nadie había soñado antes, es asombroso", afirma Kevin Yager, jefe y coautor del grupo CFN. "El autoensamblaje tradicional sólo puede formar estructuras relativamente simples, como cilindros, láminas y esferas. Pero mezclando dos materiales y utilizando la rejilla química adecuada, hemos descubierto que son posibles estructuras totalmente nuevas."

La mezcla de materiales autoensamblables ha permitido a los científicos del CFN descubrir estructuras únicas, pero también ha creado nuevos retos. Con muchos más parámetros que controlar en el proceso de autoensamblaje, encontrar la combinación adecuada de parámetros para crear estructuras nuevas y útiles es una batalla contra el tiempo. Para acelerar su investigación, los científicos del CFN aprovecharon una nueva capacidad de la IA: la experimentación autónoma.

En colaboración con el Centro de Matemáticas Avanzadas para Aplicaciones de Investigación Energética (CAMERA) del Laboratorio Nacional Lawrence Berkeley del DOE, los científicos del CFN de Brookhaven y del National Synchrotron Light Source II (NSLS-II), otra instalación de usuarios de la Oficina de Ciencia del DOE en el laboratorio de 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 dirige la toma de decisiones autónoma del marco. La última investigación es la primera demostración con éxito de la capacidad del algoritmo para descubrir nuevos materiales.

"gpCAM es un algoritmo y un software flexibles para la experimentación autónoma", afirma Marcus Noack, científico del Laboratorio de Berkeley y coautor del estudio. "En este estudio se utilizó de forma especialmente ingeniosa para explorar de forma autónoma distintas características del modelo".

"Con la ayuda de nuestros colegas del Berkeley Lab, teníamos este software y esta metodología listos para funcionar, y ahora lo hemos utilizado con éxito para descubrir nuevos materiales", dijo Yager. "Ahora hemos aprendido lo suficiente sobre ciencia autónoma como para poder 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 desarrolló primero una muestra compleja con un espectro de propiedades para su análisis. Los investigadores fabricaron la muestra utilizando la instalación de nanofabricación del CFN y llevaron a cabo el autoensamblaje en la instalación de síntesis de materiales del CFN.

"La vieja escuela de la ciencia de materiales consiste en sintetizar una muestra, medirla, aprender de ella y, a continuación, volver a fabricar una muestra diferente y repetir el proceso", explica Yager. "En lugar de eso, creamos una muestra que tiene un gradiente de todos los parámetros que nos interesan. Así, esa única muestra es una vasta colección de muchas estructuras materiales distintas".

A continuación, el equipo llevó la muestra al NSLS-II, que genera rayos X ultrabrillantes para estudiar la estructura de los materiales. El CFN opera tres estaciones experimentales en colaboración con el NSLS-II, una de las cuales se utilizó en este estudio, la línea de luz Soft Matter Interfaces (SMI).

"Uno de los puntos fuertes de la línea de luz SMI es su capacidad para enfocar el haz de rayos X en la muestra hasta en micras", explica Masa Fukuto, científico del NSLS-II y coautor del estudio. "Analizando cómo el material dispersa estos microhaces de rayos X, podemos conocer 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 gradiente. En este trabajo, dejamos que el algoritmo de IA elija, sobre la marcha, qué punto medir a continuación para maximizar el valor de cada medición".

A medida que se medía la muestra en la línea de luz del SMI, el algoritmo, sin intervención humana, creaba un modelo de las numerosas y diversas estructuras del material. El modelo se actualizaba a sí mismo con cada medición de rayos X subsiguiente, haciendo que cada medición fuera más perspicaz y precisa.

En cuestión de horas, el algoritmo había identificado tres áreas clave en la compleja muestra para que los investigadores de la CFN las estudiaran más de cerca. Utilizaron la instalación de microscopía electrónica del CFN para obtener imágenes de esas zonas clave con un detalle exquisito, descubriendo los raíles y peldaños de una escalera a nanoescala, entre otras características novedosas.

El experimento duró unas seis horas de principio a fin. Los investigadores calculan que habrían necesitado alrededor de un mes para realizar este descubrimiento con métodos tradicionales.

"Los métodos autónomos pueden acelerar enormemente los descubrimientos", afirma Yager. En esencia, se trata de 'apretar' el bucle de descubrimiento habitual de la ciencia, de modo que pasemos de las hipótesis a las mediciones con mayor rapidez". 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."

"De cara al futuro, queremos investigar la compleja interacción entre múltiples parámetros. Realizamos simulaciones con el clúster informático CFN que verificaron nuestros resultados experimentales, pero también sugirieron cómo otros parámetros, como el grosor de la película, también pueden desempeñar un papel importante", dijo Doerk.

El equipo está aplicando activamente su método de investigación autónoma a problemas aún más difíciles de descubrimiento de materiales en el autoensamblaje, así como a otras clases de materiales. Los métodos de descubrimiento autónomo son adaptables y pueden aplicarse a casi cualquier problema de investigación.

"Ahora estamos aplicando estos métodos a la amplia comunidad de usuarios que acuden al CFN y al NSLS-II para realizar experimentos", afirmó 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."