Новая система, получившая название DeepSPM, устраняет разрыв между нанонаукой, автоматизацией и искусственным интеллектом (ИИ) и твердо устанавливает использование машинного обучения для экспериментальных научных исследований.
«Оптимизация сбора данных SPM может быть очень утомительной. Этот процесс оптимизации обычно выполняется экспериментатором-человеком, и о нем редко сообщают ", – говорит главный исследователь ФЛОТА доктор Агустин Шиффрин (Университет Монаша).
«Наша новая управляемая искусственным интеллектом система может работать и собирать оптимальные данные SPM автономно, в течение нескольких дней подряд и без какого-либо контроля со стороны человека."
Это продвижение приближает передовые методологии SPM, такие как нанопроизводство с атомарной точностью и высокопроизводительный сбор данных, к полностью автоматизированному приложению под ключ.
Новый подход к глубокому обучению можно распространить на другие методы SPM. Исследователи сделали всю структуру общедоступной в Интернете как открытый исходный код, создав важный ресурс для сообщества исследователей нанонауки.
ПОЛНОСТЬЮ АВТОНОМНЫЙ DeepSPM
«Решающим фактором успеха DeepSPM является использование самообучающегося агента, поскольку правильные управляющие входные данные заранее не известны», – говорит д-р Корнелиус Крулл, соруководитель проекта.
«Изучая опыт, наш агент приспосабливается к изменяющимся условиям эксперимента и находит стратегию для поддержания стабильности системы», – говорит доктор Крулл, который работает с доктором Шиффрин в Школе физики и астрономии Монаша.
Система, управляемая искусственным интеллектом, начинается с алгоритмического поиска лучших регионов выборки и продолжается автономным сбором данных.
Затем он использует сверточную нейронную сеть для оценки качества данных. Если качество данных плохое, DeepSPM использует агент глубокого обучения с подкреплением для улучшения состояния зонда.
DeepSPM может работать в течение нескольких дней, непрерывно собирая и обрабатывая данные, управляя параметрами SPM в ответ на меняющиеся экспериментальные условия, без какого-либо контроля.
Исследование впервые демонстрирует полностью автономную, долгосрочную работу ВОП за счет сочетания:
алгоритмический подход к отбору области пробы и сбору данных СЗМ;
контролируемое машинное обучение с использованием сверточных нейронных сетей для оценки качества и классификации данных SPM, и
глубокое обучение с подкреплением для динамического автоматизированного управления и настройки датчиков на месте.