ORNL gana seis premios de investigación R&D 100

May 26, 2023

DOE/Laboratorio Nacional de Oak Ridge

Imagen: Investigadores de ORNL y PolarOnyx han desarrollado piezas y colimadores 2D y 3D utilizando una fabricación basada en compuestos de matriz de carburo de aluminio y boro.ver más

Crédito: PolarOnyx

Las tecnologías desarrolladas por investigadores del Laboratorio Nacional Oak Ridge del Departamento de Energía han recibido seis premios R&D 100 2023.

La revista R&D World anunció los ganadores de su selección de finalistas anunciada la semana pasada. Los ganadores serán reconocidos en la ceremonia de premiación de la organización el 16 de noviembre en San Diego, California.

"ORNL se esfuerza por ofrecer soluciones tecnológicas para los problemas más difíciles del país", dijo el director interino de ORNL, Jeff Smith. "Los premios R&D 100 de este año son un recordatorio de lo duro que trabajan nuestros científicos e ingenieros para lograr esa hazaña".

A menudo denominados “Los Oscar de la Innovación” y el “Premio Nobel de Ingeniería”, los premios R&D 100 han honrado durante los últimos 60 años la investigación y el desarrollo en ciencia y tecnología que conducen a nuevos productos, tecnologías y materiales comerciales que están disponibles para la venta. o licencia. Las tecnologías ganadoras y sus desarrolladores son las siguientes:

Colimadores térmicamente conductores fabricados aditivamente para instrumentación de neutrones, desarrollado por ORNL y PolarOnyx.

Investigadores de ORNL y PolarOnyx, Inc. han desarrollado piezas y colimadores 2D y 3D utilizando una fabricación basada en compuestos de matriz de carburo de aluminio y boro. Los colimadores son componentes esenciales para los experimentos de neutrones y rayos X, ya que reducen el fondo de modo que sólo se miden los neutrones y los rayos X dispersos de una muestra. El aditivo compuesto de matriz metálica, o MMC, combina la gran sección transversal de absorción de neutrones y la dureza del carburo de boro con la alta conductividad térmica del aluminio para proporcionar mediciones de dispersión de neutrones robustas y de bajo ruido.

Estos colimadores complejos ofrecen mejoras significativas con respecto a los colimadores fabricados tradicionalmente con un rendimiento de prueba de dispersión de neutrones sin precedentes, y la técnica de fabricación aditiva MMC permite reducir los costos de mantenimiento y los tiempos de producción.

La Oficina de Ciencias del DOE proporcionó fondos para esta investigación.

El desarrollo fue codirigido por Matthew Stone de ORNL, Jeff Bunn, Andrew May y Jian Liu y Shuang Bai de PolarOnyx. Alexander Kolesnikov y Victor Fanelli de ORNL contribuyeron al desarrollo.

OpeN-AM: una plataforma para operar mediciones de difracción de neutrones en fabricación aditiva, desarrollado por ORNL.

Los investigadores de ORNL han desarrollado OpeN-AM, una plataforma para realizar estudios de difracción de neutrones operandos de metales durante la fabricación aditiva, o AM, también conocida como impresión 3D.

La plataforma consta de un cabezal de deposición, capacidades de mecanizado y monitoreo por infrarrojos o IR. Todo lo cual se puede coordinar con mediciones de difracción de neutrones de ingeniería operativa con la línea de luz VULCAN en la Fuente de Neutrones de Espalación, o SNS, en ORNL.

Esta combinación de capacidades proporciona una visión incomparable de la evolución de las transformaciones de fase y los factores estresantes que ocurren durante el proceso de AM. Estos nuevos conocimientos permiten una mejora continua del procesamiento de AM para mitigar los factores estresantes y acelerar el desarrollo de nuevos materiales y estrategias de proceso.

La financiación para la investigación fue proporcionada por la Iniciativa de Metalurgia Digital de Investigación y Desarrollo Dirigidos por Laboratorios del DOE.

Alex Plotkowski de ORNL dirigió el desarrollo con Chris Fancher, Kyle Saleeby, James Haley, Ke An, Dunji Yu, Tom Feldhausen, Guru Madireddy, Yousub Lee, Joshua Vaughan, Suresh Babu, Jessie Heineman, Clay Leach, Wei Tang y Amit Shyam de ORNL. ayudando en el desarrollo.

Microscopía autónoma impulsada por el aprendizaje activo y basada en la física para el descubrimiento científico, desarrollado por ORNL.

Investigadores de ORNL y la Universidad de Tennessee, Knoxville, han creado un método de aprendizaje activo basado en la física para experimentos autónomos. Este paquete de software está compuesto por algoritmos de aprendizaje activo, software de control para microscopios y otras herramientas experimentales que aceleran el descubrimiento científico.

El avance de la microscopía ha transformado la forma en que los científicos e investigadores estudian materiales y sistemas biológicos. Sin embargo, existen múltiples desafíos en el desarrollo de la microscopía autónoma, incluida la automatización de la microscopía (como la automatización de protocolos de adquisición y transferencia de datos), el desarrollo de métodos de aprendizaje automático para tareas específicas, la comprensión de la interacción entre el descubrimiento de la física y el aprendizaje automático y la definición de extremo a extremo de flujos de trabajo.

La investigación aborda los desafíos actuales para permitir flujos de trabajo de microscopía autónomos al equilibrar la intuición física requerida, el conocimiento previo de los científicos y los objetivos experimentales con algoritmos de aprendizaje automático capaces de traducirlos en protocolos experimentales específicos.

El financiamiento para este proyecto fue proporcionado por la Oficina de Ciencias del DOE.

El codesarrollo fue dirigido por Yongtao Liu y Maxim Ziatdinov de ORNL con Sergei Kalinin de UT Knoxville. Kevin Roccapriore, Rama Vasudevan, Kyle Kelley y Stephen Jesse de ORNL contribuyeron al desarrollo.

Fabricación precisa, continua y de alta velocidad de compuestos termoplásticos mediante fabricación aditiva: moldeo por compresión, AM-CM,desarrollado por ORNL.

Los investigadores de ORNL han creado un proceso altamente automatizado para la fabricación de compuestos termoplásticos que combina los beneficios de la fabricación aditiva, o AM, y el moldeo por compresión, o CM, para producir una estructura compuesta funcional de alto rendimiento a tasas de producción automotriz.

El proceso AM-CM combina los mejores atributos de los procesos convencionales para producir piezas compuestas. AM deposita polímeros reforzados, en los que las fibras están uniformemente dispersas y orientadas en la dirección óptima, y ​​CM elimina los huecos al mismo tiempo que imparte un acabado suave.

Este proceso aborda las deficiencias de los procesos tradicionales y aditivos avanzados existentes, al tiempo que conserva sus características deseables y tiene el potencial de convertirse en un proceso de fabricación dominante para polímeros y compuestos.

La Oficina de Eficiencia Energética y Energías Renovables, la Oficina de Materiales Avanzados y Tecnologías de Fabricación (AMMTO) del DOE proporcionó fondos para esta investigación.

El desarrollo fue dirigido por Vipin Kumar de ORNL con Vlastimil Kunc, Ahmed Hassen, David Nuttall, Seokpum Kim, Deepak Kumar Pokkalla, Paritosh Mhatre, Bill Peter, Craig Blue y Joshua Vaughan de ORNL ayudando en el desarrollo.

SuperNeuro: un simulador de computación neuromórfica aceleradadesarrollado por ORNL.

Para abordar las limitaciones e ineficiencias actuales que limitan la computación neuromórfica a gran escala, los investigadores de ORNL crearon SuperNeuro, un software abierto basado en Python que proporciona a los profesionales de la IA simuladores similares a cerebros que son rápidos y escalables en plataformas de procesamiento central y de gráficos. Utilizando enfoques de modelado basados ​​en matrices y agentes, SuperNeuro permite diferentes cargas de trabajo y ofrece la opción de simular los propios mecanismos de picos del usuario de una manera interpretable por humanos.

En comparación con las plataformas de simulación existentes, SuperNeuro proporciona un software neuromórfico indispensable con mayor adaptabilidad, aprovechando la computación GPU para proporcionar un rendimiento superior para neurociencia, redes neuronales de picos o SNN y cargas de trabajo informáticas de propósito general. La fácil integración con otras herramientas para la optimización de SNN abre posibilidades para el codiseño de circuitos neuromórficos. SuperNeuro puede ser hasta 300 veces más rápido que otros simuladores para redes pequeñas y dispersas y hasta 3,4 veces más rápido en redes grandes, densas y dispersas.

El financiamiento para este proyecto fue proporcionado por la Oficina de Ciencias del DOE.

Prasanna Date de ORNL, Shruti Kulkarni y Chathika Gunaratne codirigieron el desarrollo. Los contribuyentes a la investigación incluyeron a Robert Patton, Mark Coletti y Thomas Potok de ORNL.

ORNL también apoyó el desarrollo deCANDLE (Entorno de aprendizaje distribuido CANcer) , ganador del premio R&D 100 2023 en la categoría Software/Servicios. CANDLE es una colaboración con varios laboratorios del DOE y el Laboratorio Nacional Federick para la Investigación del Cáncer para una plataforma de software de código abierto que proporciona metodologías de aprendizaje profundo para avanzar en la investigación del cáncer.

UT-Battelle administra ORNL para la Oficina de Ciencias del Departamento de Energía, el mayor patrocinador de la investigación básica en ciencias físicas en los Estados Unidos. La Oficina de Ciencias está trabajando para abordar algunos de los desafíos más apremiantes de nuestro tiempo. Para obtener más información, visite energy.gov/science. —Gabriela Vara

Descargo de responsabilidad: AAAS y EurekAlert! ¡No somos responsables de la exactitud de los comunicados de prensa publicados en EurekAlert! por instituciones contribuyentes o para el uso de cualquier información a través del sistema EurekAlert.