El futuro de la microelectrónica dependerá de algo más que hacer que los chips actuales sean más pequeños. Los investigadores están buscando nuevos materiales y nuevas formas de combinarlos: avances para respaldar una computación más rápida, un menor uso de energía y una producción nacional segura que garantizarán el liderazgo tecnológico continuo de Estados Unidos. Pero esa búsqueda es lenta y extraordinariamente compleja, y requiere que los científicos realicen muchos experimentos con múltiples parámetros en competencia e interpreten laboriosamente los enormes flujos de datos resultantes.
En el Centro de Ciencias de Materiales Nanofásicos, una instalación para usuarios de la Oficina de Ciencias del Departamento de Energía en el Laboratorio Nacional de Oak Ridge, los investigadores están enfrentando este desafío con una nueva generación de tecnología científica: flujos de trabajo autónomos para la investigación en microelectrónica. Al combinar instrumentos avanzados, inteligencia artificial y conocimientos teóricos, están creando sistemas que pueden hacer más que automatizar pasos rutinarios. Los sistemas CNMS son cada vez más capaces de interpretar los datos entrantes y determinar los próximos pasos en tiempo real, lo que ayuda a los investigadores a navegar rápidamente por vastos espacios experimentales y lograr resultados que están fuera del alcance de los métodos convencionales.
Para Rama Vasudevan, que dirige los esfuerzos de análisis de datos del CNMS para la ciencia autónoma, el valor de estos sistemas va mucho más allá de la velocidad. «No es tan simple como mejorar el rendimiento de uno a diez veces», dijo. «Es realmente una diferencia cualitativa en capacidad».
En el CNMS, ese cambio cualitativo está comenzando en dos frentes. En primer lugar, los sistemas autónomos están ayudando a los investigadores a cultivar y refinar materiales para la microelectrónica de manera más inteligente, utilizando datos de cada experimento para guiar el siguiente. En segundo lugar, están ayudando a los científicos a conectar mediciones, simulaciones e inteligencia artificial para obtener una imagen más completa de cómo se comportan esos materiales y por qué tienen éxito o fracasan en condiciones operativas reales.
Ciencia autónoma en acción
Los sistemas autónomos ya están cambiando la forma en que los investigadores crean materiales para la microelectrónica. Cultivar estos materiales significa navegar por un laberinto de variables que interactúan, desde la temperatura y la presión hasta las condiciones del sustrato y la configuración del láser. Cada una de esas opciones puede afectar el material final y cambiar una a menudo altera la forma en que interactúan las demás. En lugar de depender únicamente del ensayo y error o de la intuición de un investigador para descubrir la mejor manera de proceder, los flujos de trabajo automatizados pueden acceder a una gran cantidad de información almacenada junto con cada ejecución experimental para guiar el proceso en tiempo real.
Los métodos de síntesis adaptativa como estos son especialmente valiosos para crear los delicados nanomateriales utilizados en la microelectrónica de próxima generación. En un proyecto en curso del CNMS dirigido por el científico Sumner Harris, los investigadores están trabajando para desarrollar membranas de óxido que puedan levantarse de una superficie y transferirse a otra, brindando a los científicos una forma de apilar y combinar materiales en nuevas configuraciones. Estas configuraciones ofrecen una palanca para alterar las propiedades electrónicas del compuesto resultante, creando oportunidades para mejorar drásticamente el rendimiento de la memoria y del transistor.
Esa promesa viene acompañada de un difícil desafío de materiales. Las membranas de óxido a menudo se cultivan en un material de superficie como el grafeno para que luego puedan separarse y transferirse a su superficie de destino, pero hay un problema: el material de óxido necesita oxígeno para formarse, pero demasiado oxígeno degradará el grafeno, haciendo imposible transferir el material objetivo. Los flujos de trabajo autónomos son especialmente útiles para este desafío porque los sistemas de inteligencia artificial pueden digerir y aplicar una gran cantidad de investigaciones previas e información experimental para complementar la experiencia humana mientras los investigadores buscan las condiciones que preserven ambos materiales.
Vasudevan describe este proyecto y otros similares como una especie de conferencia sobre inteligencia artificial humana, donde los investigadores y los sistemas autónomos contribuyen donde son más fuertes. «A los seres humanos les va muy bien en regímenes de escasez de datos», dijo. «Pero una vez que un problema se vuelve demasiado grande y de grandes dimensiones, la IA puede encontrar patrones y simplificarlo de maneras que la gente no puede».
Los flujos de trabajo autónomos no son sólo bucles iterativos de síntesis y medición. Al colocar la teoría en el circuito y aprovechar la computación de alto rendimiento de ORNL, estos sistemas pueden generar y probar nuevas hipótesis basadas en discrepancias entre la simulación y el experimento. Esto es particularmente valioso para problemas complejos como la síntesis de materiales, donde la intuición por sí sola puede ser insuficiente. «Estos flujos de trabajo autónomos integran a la perfección conocimientos de la literatura, experimentos multimodales y simulaciones para acelerar el descubrimiento de materiales y generar conocimientos fundamentales», dijo Panchapakesan Ganesh, líder de la sección de Teoría y Computación del CNMS.
Instrumentos didácticos a elegir.
Los experimentos autónomos en el CNMS se construyen paso a paso, no se activan todos a la vez. Los investigadores primero deben automatizar sus tareas enseñando a un instrumento a realizar un conjunto de tareas de forma independiente y confiable, ya sea que eso signifique ejecutar una receta de síntesis o escanear una muestra de manera repetible. Luego comienzan a agregar IA: entrenan modelos con datos de ejecuciones anteriores, literatura relevante y conjuntos de datos sintéticos para que el sistema pueda reconocer patrones, interpretar lo que ve y elegir cómo responder.
“Lo automatizado es necesario para lo autónomo”, explicó Martí Checa Nualart, científico del personal de I+D del Grupo de Microscopía de Fuerza Atómica Funcional del CNMS. «El cambio se produce cuando potenciamos instrumentos automatizados con modelos adecuadamente entrenados para tomar decisiones autónomas, adaptándonos a medida que se desarrolla el experimento».
Los flujos de trabajo autónomos están cambiando más que las operaciones de instrumentos individuales. También están ayudando a los investigadores a conectar lo que aprenden a través de muchas herramientas, conjuntos de datos y simulaciones, sumando mediciones aisladas para obtener una imagen más completa de cómo se comportan los materiales microelectrónicos. En un proyecto liderado por el Laboratorio Nacional Argonne, Alphafold para microelectrónicaLos investigadores de ORNL están ayudando a desarrollar herramientas de inteligencia artificial que combinan experimentos y simulaciones para comprender mejor los materiales para dispositivos de memoria y transistores, incluida la investigación de por qué algunos materiales de memoria ferroeléctricos prometedores se degradan con el uso repetido.
«El problema de la degradación de la memoria es difícil porque ninguna medición única puede explicarlo», dijo Vasudevan. Los investigadores están trabajando para integrar varias fuentes de datos dispares de múltiples instalaciones y enfoques experimentales, mientras que las simulaciones añaden otra capa de información. CNMS está utilizando flujos de trabajo autónomos para combinar esos flujos de datos en un proceso llamado fusión multimodal, en el que se reclutan modelos de IA para clasificar la información entrante e identificar patrones que son casi indetectables para la inteligencia a nivel humano, guiando enfoques experimentales para concentrarse en los mecanismos detrás de la fatiga de la memoria.
Soporte a usuarios en todo el mundo
CNMS está estructurado para soportar exactamente ese tipo de trabajo. Como uno de los cinco centros de investigación científica a nanoescala del DOE, brinda soporte a usuarios de todo el mundo. El flujo constante de investigadores externos y los desafíos científicos variables que presentan han ayudado a impulsar al CNMS hacia flujos de trabajo más ágiles y cada vez más autónomos, mientras que el grupo de nanoanálisis de datos integrado de Vasudevan ayuda a conectar esas capacidades a través de la síntesis, la microscopía y la teoría.
Para la microelectrónica, esa integración podría resultar tan importante como cualquier material innovador. El campo se enfrenta cada vez más a problemas que son demasiado complejos, demasiado ricos en datos y demasiado interconectados para los flujos de trabajo tradicionales únicamente. En el CNMS, los investigadores están construyendo sistemas que pueden aprender de cada paso lo suficientemente rápido como para guiar el siguiente, no sólo acelerando el descubrimiento sino también ampliando cómo puede verse el descubrimiento.
La Oficina de Ciencias del DOE y el programa de Investigación y Desarrollo Dirigido por Laboratorio ORNL apoyaron esta investigación.
ORNL cuenta con el apoyo de la Oficina de Ciencias del DOE. La Oficina de Ciencias es el mayor patrocinador de la investigación básica en ciencias físicas en los Estados Unidos y está trabajando para abordar algunos de los desafíos más apremiantes de nuestro tiempo. Para obtener más información, visite ciencia.energia.gov.
Fuente: Laboratorio Nacional de Oak Ridge
