米国オンライン カジノ 入金 不要省（DOE）ブルックヘイブン国立研究所の科学者は、人工知能を使用して、新しい自己組織化されたナノ構造を迅速に発見しました。
チームはそれを実証しました人工知能（AI）を使用して、オンライン カジノ 入金 不要できます。新しい自律的な方法は、最初のナノスケール「はしご」を含む3つの新しいナノ構造の発見につながりました。
研究、「ブロック3コポリマーブレンドの指向性自己組織化における緊急形態の自律的な発見、 ’はジャーナルに掲載されています科学の進歩.
新しく発見された構造は、自己組織化によって形成されました
自己組織化は、材料の分子が独自のパターンに整理するプロセスです。ブルックヘブンの機能ナノ材料センター（CFN）の科学者は、自己組織化プロセスの指示の専門家であり、マイクロエレクトロニクスと触媒のアプリケーションの望ましい配置を形成するための材料のテンプレートを作成しました。
「自己組織化は、マイクロエレクトロニクスとコンピューターハードウェアの進歩のドライバーであるナノパターニングの手法として使用できます」
「これらのテクノロジーは、より小さなナノパターンを使用して常に高解像度を求めています。自己組織化材料から非常に小さくて緊密に制御された機能を得ることができますが、たとえば、サーキットのためにレイアウトした種類のルールに必ずしも従うことはありません。
チームは、自己組織化されたナノパッタータイプのライブラリを構築してアプリケーションを拡大することを目指しています。以前の研究では、2つの自己組織化材料をブレンドすることにより、新しいタイプのパターンが可能になることを実証しました。
「今まで誰も夢見ていなかったはしご構造を作成できるという事実は驚くべきことです」と、CFNグループのリーダー兼共著者のケビン・ヤガーは言いました。
「従来の自己組織化は、シリンダー、シート、球体などの比較的単純な構造のみを形成できます。しかし、2つの材料を混ぜ合わせ、適切な化学格子を使用することで、まったく新しい構造が可能であることがわかりました。」
自己組織化材料のブレンディングにより、独自の構造が発見されるようになりましたが、新しい課題も生成されました。自己組織化プロセスで制御する多くの要因があるため、新しい有用な構造を作成するためのパラメーターの適切な組み合わせを見つけることは、時間との戦いです。
材料発見を加速するためのAIフレームワークの開発
CFNおよびNational Synchrotron光源II（NSLS-II）のBrookhaven科学者は、DOEのLawrence Berkeley National Laboratoryを開発するために、DOEのLawrence Berkeley National Laboratoryでオンライン カジノ 入金 不要研究用アプリケーション向けの高度な数学センター（カメラ）と協力してきました。実験のすべてのステップを実行します。
カメラのGPCAMアルゴリズムは、フレームワークの自律的な意思決定を推進します。最新の研究は、チームがアルゴリズムの新しい素材を発見する能力の最初の成功したデモンストレーションです。
「GPCAMは、自律実験のための柔軟なアルゴリズムおよびソフトウェアです」と、バークレーのラボの科学者で共著者のマーカス・ノークは述べています。 「この研究では、モデルのさまざまな特徴を自律的に調査するために、特に巧妙に使用されました。」
「Berkeley Labの同僚の助けを借りて、このソフトウェアと方法論が準備ができていたので、新しい素材を発見するためにそれを使用しました」とYager氏は言います。 「私たちは今、材料の問題を取り入れて、それを自律的な問題に非常に簡単に変換できるという自律科学について十分に学びました。」
最初に、チームは分析のためにさまざまなプロパティを備えた複雑なサンプルを開発しました。次に、サンプルをCFNナノファブリケーション施設を使用して製造し、CFN材料合成施設で自己組織化を実施しました。
「古い学校のやり方材料科学サンプルを合成し、測定し、そこから学び、戻って別のサンプルを作成し、そのプロセスを繰り返し続けることです」とYager氏は言います。 「代わりに、関心のあるすべてのパラメーターの勾配を持つサンプルを作成しました。したがって、その単一のサンプルは、多くの異なる材料構造の膨大なコレクションです。」
チームは、サンプルをNSLS-IIに持ってきました。
「SMIビームラインの強みの1つは、X線ビームをサンプルにマイクロンに焦点を合わせることができることです」とNSLS-IIの科学者兼共著者Masa Fukuto。
「これらのマイクロビームX線が材料によってどのように散在するかを分析することにより、照明された場所での材料のローカル構造について学びます。多くの異なるスポットでの測定により、勾配サンプル全体で局所構造がどのように変化するかがわかります。
サンプルがSMIビームラインで測定されたため、アルゴリズムは、人間の介入なしに、材料の多様で多様な構造セットのモデルを作成しました。その後のX線測定のたびに、モデルはそれ自体を更新し、すべての測定をより正確にしました。
数時間で、アルゴリズムは研究者がより詳細に研究するための3つの重要な領域を特定しました。これらの重要な領域は、ナノスケールのはしごのレールとラングを明らかにしたCFN電子顕微鏡施設で画像化されました。
研究者は、実験にかかった6時間と比較して、従来の方法を使用してこの発見を行うために1か月必要だったと推定されています。
「自律的な方法は、発見を非常に加速することができます」とYager氏は言います。 「本質的には、科学の通常の発見ループを「引き締める」ため、仮説と測定の間をより迅速に循環します。
チームの自律研究方法の将来の使用
「前進するには、複数のパラメーター間の複雑な相互作用を調査したいと考えています。実験結果を検証するCFNコンピュータークラスターを使用してシミュレーションを実施しましたが、フィルムの厚さなどの他のパラメーターも重要な役割を果たすことができることを示唆しました」とDoerk氏は言いました。
今、チームは自律的な研究方法を自己組織化におけるより困難な物質的発見の問題に適用しています。自律的な発見方法は適応可能であり、ほぼすべての研究問題に適用できます。
「現在、これらの方法を、CFNとNSLS-IIに来て実験を行うユーザーの幅広いコミュニティに展開しています」とYager氏は言います。 「誰でも私たちと協力して、材料研究の調査を加速することができます。
