生成模型揭示了物质无序的秘密

新加坡国立大学(NUS)的科学家利用生成机器学习模型来探索压电材料中相邻晶体之间的原子可能出现不匹配的不同方法，压电材料是在施加机械应力时产生小电压的材料。这一发现揭示了此类材料中出现无序的途径。

在材料科学领域，一个长期存在的问题涉及了解复杂材料中的不同结构紊乱是否具有有价值的功能，其中一个关键挑战是识别特定样品中的紊乱类型。

新加坡国立大学的一个研究小组通过将压电材料域边界中的各种结构紊乱压缩为一小组简单的多尺度概率规则来解决这一挑战。根据这些规则，他们创建了一个生成机器学习模型，该模型的长度尺度跨越了三个数量级，从而可以研究超出实际测量限制的材料的统计特性。

由新加坡国立大学物理系和生物科学系助理教授Ne-teDuaneLoh领导的研究小组发现，实验观察到的沿铌酸钾钠压电薄膜域边界的结构紊乱可以被提炼成令人惊讶的结构。一组紧凑的简单概率规则。这些规则可以分解为在不同长度尺度上占主导地位的两组——马尔可夫链和随机核。使用这两组规则为特定材料样本创建域边界的集合。

该团队将这些概率规则转化为可解释的机器学习模型的“词汇”和“语法”，以生成和研究大量与实验测量结果无法区分的现实无序域边界。与实际实验或昂贵的第一性原理计算相比，这种生成模型提供了更多数量级的观察结果。

使用该模型，作者发现了材料中以前未检测到的域边界图案，这些图案是链状结构，揭示了可能影响其压电响应的因素。他们还发现了这些域边界使熵最大化的证据。这一突破表明，可解释的机器学习模型可以理解材料无序的复杂本质，为理解其功能和设计铺平道路。

研究结果发表在《科学进展》杂志上。

这项研究延续了该团队将统计学习与原子分辨率电子显微镜相结合的持续成果，以对复杂材料进行成像。第一作者、Eric和WendySchmidtAI科学研究员JiadongDan博士说：“我们的工作可以普遍扩展并应用于其他重要系统，在这些系统中，无序在控制材料的物理性质方面发挥着重要作用。”

该团队还设想进一步研究新发现的结构图案的功能重要性，突显理解和设计复杂材料的潜力。

Loh教授补充道：“这项工作补充了我们早期对原子主题层次结构的了解。它们共同推动我们与显微镜一起创建配套的人工智能(AI)，以提供前所未有的快速反馈。”