神经网络技术确定铁电开关的机理

材料科学的创新对现代生活至关重要，就像室内管道一样，而且进展得不为人所知。

例如，半导体设备的创新继续使更快，更小的硬件(例如适合我们的手掌的设备)传输更多信息成为可能。

成像技术的改进使得有可能收集关于用于此类装置的纳米材料的性质的大量数据。(1纳米等于一米的十亿分之一。就规模而言，一束人类头发的厚度在50,000至100,000纳米之间。)

利哈伊大学材料科学助理教授约书亚·阿加尔(Joshua Agar)说：“挑战在于，产生人类可解释数据的分析方法仍无法适应数据的复杂性和规模。” “仅将收集到的数据中的一小部分转化为知识。”

琼脂研究了纳米级铁电体，这种材料表现出自发电极化(由于带电原子的微小位移而导致的极化)，可以通过施加外部电场来逆转。尽管在下一代低功耗信息存储/计算，通过收集废能实现的能效，环境友好的固态冷却等方面的应用前景广阔，铁电体仍需要解决许多问题。

琼脂使用多峰高光谱成像技术(可通过橡树岭国家实验室纳米相材料科学中心的用户程序获得)，称为带激发压电响应力显微镜，该技术可测量材料对电刺激的机械性能。这些所谓的原位表征技术可以直接观察正在起作用的纳米级过程。

“我们的实验包括用悬臂接触材料并在电场驱动下测量材料的性能，” Agar说。“从本质上讲，当我们通过变换驱动材料时，我们会转到每个像素并测量材料很小区域的响应。”

Agar解释说，该技术产生了大量有关材料如何响应以及在不同状态之间转换时发生的过程类型的信息。

“您可以获得具有许多光谱和不同响应的每个像素的地图，” Agar说。“通过这种技术，所有这些信息都会立即出现。问题是您如何真正弄清发生了什么，因为数据不干净-嘈杂。”

琼脂和他的同事开发了一种人工智能(AI)技术，该技术使用深度神经网络从他们的实验生成的大量数据中学习并提取有用的信息。他和他的团队采用这种方法，首次发现并实现了可视化的铁电畴切换中的几何驱动差异。

该技术以及如何利用它来进行这项发现，已在《自然通讯》上发表的一篇文章中进行了描述，该文章名为“使用深度递归神经网络揭示铁电开关特性”。其他作者包括加州大学伯克利分校的研究人员。劳伦斯·伯克利国家实验室;德州大学阿灵顿分校;宾夕法尼亚州立大学，大学公园分校;橡树岭国家实验室纳米材料科学中心。

该团队是材料科学领域首批通过旨在实现交互式计算的开源软件发表论文的团队之一。本文和代码均以Jupyter Notebook的形式提供，可在免费的云计算服务Google Collaboratory上运行。任何研究人员都可以访问本文和代码，测试方法，修改参数，甚至可以根据自己的数据进行尝试。通过共享数据，分析代码和描述，Agar希望在橡树岭国家实验室纳米相材料科学中心使用超光谱表征技术的人群以外的社区中使用此方法。

根据Agar的说法，神经网络方法可能具有广泛的用途：“它可以用于电子显微镜，扫描隧道显微镜甚至航空摄影中，” Agar说。“它跨越了边界。”

实际上，神经网络技术是Agar与伯克利大学天文学教授Joshua Bloom一起完成的，而该书先前发表在《自然天文学》上。琼脂修改了该技术并将其应用于材料用途。

阿加尔说：“我的天文学同事正在调查夜空，观察不同的恒星，并试图根据它们的光强分布对恒星类型进行分类。”

使用神经网络方法分析高光谱成像数据

通过使用神经网络技术(使用了自然语言处理中使用的模型)，Agar和他的同事能够直接成像和可视化切换经典铁电材料的重要细节：钛酸锆铅，在此之前从未使用过完成。

琼脂解释说，当材料在外部电场下转换其极化状态时，它会形成畴壁或两个不同极化方向之间的边界。然后，根据几何形状，电荷可以在该边界处累积。这些畴壁界面处的模块化电导率是该材料在晶体管和存储设备中使用的强大潜力的关键。

“从物理学的角度来看，我们正在检测的是形成的带电或不带电的不同类型的畴壁的形成，具体取决于几何形状，” Agar说。

根据Agar的说法，使用更原始的机器学习方法不可能实现这一发现，因为那些技术倾向于使用线性模型来识别线性相关性。这样的模型不能有效地处理结构化数据，也无法进行理解高光谱成像生成的数据所需的复杂关联。

琼脂开发的神经网络类型具有黑匣子性质。该方法通过将单个数学组件堆叠到复杂的体系结构中来工作。然后，系统通过“一遍又一遍地遍历数据直到确定重要内容”来优化自身。

然后，琼脂用较少的参数创建该模型的简单，低维表示。

“要解释输出，我可能会说：'定义10个数据集中的所有要素最重要的10个参数是?'” “然后我可以可视化这十个参数如何影响响​​应，并通过使用该信息来识别重要特征。”

纳米人机界面

Agar在该项目上的工作得到了TRIPODS + X赠款的部分支持，TRIPODS + X赠款是美国国家科学基金会的一项奖励计划，旨在支持协作团队为复杂而根深蒂固的数据科学问题提供新观点。这项工作也是Lehigh的纳米/人机界面总统工程研究计划的一部分。

“这种工具可能是一种方法，因为一旦经过训练，神经网络系统就可以非常快速地评估新数据，” Agar说。“它可以获取非常大的数据流并即时对其进行处理。处理后，可以以可解释的方式与某人共享数据，从而将大数据流转换为可操作的信息。”