ORNL recibe seis premios de investigación I+D 100 para 2023

24 de agosto de 2023

Comparte en tu red:

Investigadores del Laboratorio Nacional Oak Ridge (ORNL) del Departamento de Energía, con sede en Oak Ridge, Tennessee, EE. UU., recibieron seis premios R&D 100 2023. Los ganadores del reconocido concurso de ciencia e innovación fueron anunciados por la revista R&D World, cuyo panel de jueces estuvo compuesto por 45 profesionales de todo el mundo. Se recibieron inscripciones para el concurso de quince países y regiones diferentes.

"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".

Los ganadores en ORNL incluyeron varios procesos de fabricación aditiva, así como otras tecnologías. Estos incluyeron lo siguiente:

Colimadores térmicamente conductores fabricados aditivamente para instrumentación de neutrones–ORNL y PolarOnyx

Investigadores de ORNL y PolarOnyx, Inc. han desarrollado piezas y colimadores 2D y 3D utilizando un proceso de fabricación basado 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 y garantizan que sólo se midan los neutrones y los rayos X dispersos de una muestra. El aditivo compuesto de matriz metálica (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 sólidas de dispersión de neutrones con un ruido mínimo.

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

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–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. La plataforma incluye un cabezal de deposición, capacidades de mecanizado y monitoreo por infrarrojos (IR). Todo esto se puede coordinar con mediciones de difracción de neutrones de ingeniería operativa utilizando la línea de luz VULCAN en la Fuente de Neutrones de Espalación (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 basada en la física y basada en el aprendizaje activo para el descubrimiento científico–ORNL

Investigadores de ORNL y la Universidad de Tennessee han desarrollado un método de aprendizaje activo basado en la física para experimentos autónomos. Este paquete de software incluye algoritmos de aprendizaje activo, así como software de control para microscopios y otras herramientas experimentales, que aceleran los descubrimientos científicos.

El avance de la microscopía ha transformado la forma en que los científicos e investigadores estudian materiales y sistemas biológicos. Sin embargo, el desarrollo de la microscopía autónoma plantea varios desafíos, como automatizar los protocolos de adquisición y transferencia de datos, desarrollar métodos de aprendizaje automático para tareas específicas, comprender la interacción entre el descubrimiento de la física y el aprendizaje automático, y definir flujos de trabajo de un extremo a otro.

Esta investigación tiene como objetivo abordar los desafíos actuales para permitir flujos de trabajo de microscopía autónoma. Lo hace logrando un equilibrio entre la intuición física necesaria, el conocimiento previo de los científicos y los objetivos experimentales con algoritmos de aprendizaje automático que pueden traducir estos factores 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)–ORNL

Los investigadores de ORNL han desarrollado un proceso altamente automatizado para la fabricación de compuestos termoplásticos. Este proceso combina los beneficios de la fabricación aditiva y el moldeo por compresión (CM) para producir estructuras compuestas funcionales 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 de fabricación tradicionales y aditivos existentes al tiempo que incorpora sus características deseables. Se dice que tiene potencial para convertirse en el proceso de fabricación dominante de 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 acelerada–ORNL

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

En comparación con las plataformas de simulación existentes, SuperNeuro ofrece un software neuromórfico esencial con una adaptabilidad mejorada. Aprovecha la computación GPU para proporcionar un rendimiento superior para neurociencia, redes neuronales de picos (SNN) y cargas de trabajo informáticas de propósito general. Además, 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 para 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.

CANDLE (Entorno de aprendizaje distribuido CANcer)

ORNL también apoyó el desarrollo de CANDLE (CANcer Distributed Learning Environment), que ganó el premio R&D 100 2023 en la categoría de 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.

https://www.ornl.gov/

30 de agosto de 2023

30 de agosto de 2023

30 de agosto de 2023

29 de agosto de 2023