Real-time Multi-instrument Autonomous Materials Screening for Discovery of Novel Phase-change Memory Materials

Technische Samenvatting: Real-time Multi-instrument Autonome Materiaal Screening voor de Ontdekking van Nieuwe Faseveranderingsgeheugen-materialen

Probleemstelling
Autonome laboratoria (AL's) hebben de ontdekking van materialen gerevolutioneerd door automatische uitvoering, data-analyse en besluitvorming te integreren. Echter, een aanzienlijke bottleneck blijft de integratie van diverse, heterogene datastromen van meerdere instrumenten. Huidige autonome systemen werken doorgaans als single-instrument, single-property closed-loops, waarbij besluitvorming onafhankelijk plaatsvindt over karakteriseringapparatuur. Bov�an is de elucidatie van de synthese-proces-structuur-eigenschap-relatie (SPSPR) vaak afhankelijk van analyse na het experiment, in plaats van tijdens live experimenten. Deze sequentiële aanpak faalt in het benutten van het potentieel van correlaties tussen structurele en functionele eigenschappen in real-time, wat de ontdekking van complexe materialen zoals faseveranderingsgeheugen (PCM) systemen vertraagt, met name die betrokken bij gemengde faseregions en niet-evenwichtsfases.

Methodologie: Het Multi-instrument Autonomous Discovery (MAD) Framework
De auteurs stellen het Multi-instrument Autonomous Discovery (MAD) framework voor, een systeem ontworpen om parallelle autonome experimentatie (AE) uit te voeren door structurele eigenschapsmapping en functionele eigenschapsoptimalisatie op een closed-loop wijze te combineren.

• Experimentele Opstelling: Het framework werd gedemonstreerd op een Mn-Sb-Te (MST) ternair dunne-film bibliotheek, een systeem dat voorheen onverkend was voor PCM-toepassingen. Twee compositioneel identieke spreads werden voorbereid: één gegloeid naar een kristallijne staat voor röntgendiffractie (XRD) en één gehouden in een amorfe staat voor elektrische weerstandsmetingen. Deze werden gemonteerd op aparte instrumenten (een diffractometer en een contactprobestation) verbonden met een centrale server via een client-servermodel.
• Datafusie en Modellering: De kern van MAD is een multi-output Gaussian Process (GP) model dat gebruikmaakt van een co-regionalisatie kernel (specifiek een Intrinsic Coregionalization Model, ICM).
  • Structurele Decompositie: XRD-patronen werden voorbewerkt en gedecomposeerd met behulp van Non-negative Matrix Factorization (NMF) in zeven "end-member" componenten (die potentiële elementaire, binaire en ternaire fasen vertegenwoordigen) en hun bijbehorende abundanties. Dit zet het fase-identificatieprobleem om van discrete labeling naar een continue regressietaken, waardoor de kenmerken van gemengde fasen worden gevangen.
  • Gezamenlijke Voorspelling: De door NMF afgeleide fase-abundanties (7 outputs) en elektrische weerstandsmetingen (1 output) werden geconcateneerd tot een 8-dimensionale dataset. Een multi-output GP met een rank-one latente structuur werd getraind op deze data om de gedeelde covariantie tussen structurele en functionele eigenschappen te modelleren.
• Besluitvorming: Het systeem maakt gebruik van verschillende acquisitiefuncties voor elke taak binnen de active learning loop:
  • Exploratie (XRD): Maximum Uncertainty (MU) werd gebruikt om de kennis over de kristalstructuurdistributie te maximaliseren.
  • Exploitatie (Weerstand): Expected Improvement (EI) werd gebruikt om de compositie met de maximale elektrische weerstand in de amorfe staat ($R_{amo}$) te identificeren, een belangrijke maatstaf voor PCM.
  • De centrale controller voert gezamenlijke inferentie uit om cross-property correlaties te vangen terwijl er onafhankelijke beslissingen worden genomen voor de volgende experimentele punten voor elk instrument.

Belangrijkste Resultaten

• Efficiëntie en Snelheid: Het MAD-framework slaagde erin veelbelovende elektrische PCMs te identificeren en de SPSPR te mappen binnen 25 closed-loop iteraties. Dit vertegenwoordigt een zevenvoudige versnelling vergeleken met conventionele grid mapping en een vijfvoudige versnelling vergeleken met random sampling. Het volledige live experiment, inclus inclusief fase-mapping en materiaaloptimalisatie, werd voltooid in ongeveer 5 uur.
• Nauwkeurigheid: Met slechts ~42 metingen reconstrueerde het systeem XRD-patronen met een cosine similarity van 95% ten opzichte van experimentele data. Voor materiaaloptimalisatie convergeerde het systeem naar de optimale compositie (maximale $R_{amo}$) in minder dan 25 datapunten, waarbij de minimale regret distance naar nul convergeerde.
• Materiaalontdekking: De studie identificeerde Mn$_{28}$Sb$_{52}$Te$_{20}$ als de compositie met de hoogste amorfe weerstand en Mn$_{14}$Sb$_{43}$Te$_{43}$ als de compositie die de grootste weerstandscontrast oplevert ($\Delta R \approx 5$ grootheden). De analyse toonde aan dat de trigonale MnSb$_2$Te$_4$ fase (geïndexeerd als componenten C0 en C2) centraal staat in het waargenomen faseveranderingsgedrag.
• Benchmarking: In silico benchmarks die MAD vergeleken met onafhankelijke GP's en random sampling, toonden aan dat de coregionalized kernel de onafhankelijke modellen significant overtrof in zowel fase-mapping nauwkeurigheid (gemeten met Dynamic Time Warping) als optimalisatieconvergentie. De gedeelde latente ruimte maakte gecoördineerd leren mogelijk, waardoor het "idlen" van simpelere taken werd voorkomen terwijl complexere taken convergeerden.

Betekenis en Claims
Het artikel claimt dat MAD een nieuw paradigma vestigt voor grootschalige autonome faciliteiten door experimenten parallel in plaats van onafhankelijk te laten draaien. Door multi-modale datastromen te integreren via een gedeelde latente representatie, maakt het framework het mogelijk om:

1. Real-time SPSPR Elucidatie: Het vermogen om beslissingen te nemen op basis van gedeelde kennis tussen structuur en functie tijdens het experiment, in plaats van te wachten op post-hoc analyse.
2. Omgaan met Gemengde Fasen: Het gebruik van NMF-afgeleide continue abundanties stelt het model in staat om de fysica van gemengde faseregions en geleidelijke transities te vangen, wat discrete labeling-benaderingen vaak missen.
3. Versnelde Ontdekking: Het framework vermindert aanzienlijk de tijd en de benodigde middelen om de enorme compositionele ruimtes te verkennen, zoals aangetoond door de snelle identificatie van nieuwe PCM-kandidaten in het MST-systeem.

De auteurs positioneren MAD als een veelzijdig en modulair fundament voor toekomstige co-georkestreerde multi-instrument omgevingen, in staat om heterogene datastromen te verwerken om snellere convergentie en betere materiaalcodesign-criteria te bereiken.