AI-løsning gør søgen efter undvigende monolag meget enklere

En af de mest kedelige, skræmmende opgaver for bachelorassistenter i universitetsforskningslaboratorier involverer at kigge timevis gennem et mikroskop på prøver af materiale og forsøge at finde monolag.

Disse todimensionelle materialer – mindre end 1/100.000 af bredden af ​​et menneskehår – er meget eftertragtede til brug i elektronik, fotonik og optoelektroniske enheder på grund af deres unikke egenskaber.

"Forskningslaboratorier hyrer hære af studerende til ikke at gøre andet end at lede efter monolag," siger Jaime Cardenas, en assisterende professor i optik ved University of Rochester. "Det er meget kedeligt, og hvis du bliver træt, kan du gå glip af nogle af monolagene, eller du kan begynde at lave fejlidentifikationer."

Selv efter alt det arbejde skal laboratorierne dobbelttjekke materialerne med dyr Raman-spektroskopi eller atomkraftmikroskopi.

Jesús Sánchez Juárez, en ph.d. studerende i Cardenas Lab, har gjort livet meget lettere for de studerende, deres forskningslaboratorier og virksomheder, der støder på lignende vanskeligheder med at opdage monolag.

Den banebrydende teknologi, en automatiseret scanningsenhed beskrevet i Optical Materials Express , kan detektere monolag med 99,9 % nøjagtighed – hvilket overgår enhver anden metode til dato.

Til en brøkdel af prisen. På langt kortere tid. Med let tilgængelige materialer.

"Et af hovedformålene var at udvikle et system med et meget lille budget, så studerende og laboratorier kan replikere disse metoder uden at skulle investere tusinder og atter tusinder af dollars bare for at købe det nødvendige udstyr," siger Sánchez Juárez, hovedforfatteren til papiret.

For eksempel kan den enhed, han skabte, kopieres med et billigt mikroskop med en 5X objektivlinse og et billigt OEM-kamera (producent af originaludstyr).

En kreativ tilpasning af et AI neuralt netværk

"Vi er meget spændte," siger Cardenas. "Jesús gjorde flere ting her, som er nye og anderledes, idet han anvendte kunstig intelligens på en ny måde for at løse et stort problem i brugen af ​​2D-materialer."

Mange laboratorier har forsøgt at eliminere behovet for dyre backup karakteriseringstests ved at træne et kunstig intelligens (AI) neuralt netværk til at scanne for monolagene. De fleste laboratorier, der har prøvet denne tilgang, forsøger at bygge et netværk fra bunden, hvilket tager betydelig tid, siger Cardenas.

I stedet startede Sánchez Juárez med et offentligt tilgængeligt neuralt netværk kaldet AlexNet, som allerede er trænet til at genkende objekter.

Han udviklede derefter en ny proces, der inverterer billeder af materialer, så det, der var lyst på det originale billede, i stedet fremstår sort, og omvendt. De omvendte billeder køres gennem yderligere behandlingstrin. På det tidspunkt ser billederne "slet ikke godt ud for det menneskelige øje," siger Cardenas, "men for en computer gør det det nemmere at adskille monolagene fra de substrater, de er aflejret på."

Nederste linje:Sammenlignet med de lange, kedelige timers scanning af studerende, kan Sánchez Juárez' system behandle 100 billeder, der dækker 1 centimeter x 1 centimeter-størrelse prøver på ni minutter med næsten 100 % nøjagtighed.

"Vores demonstration baner vejen for automatiseret produktion af monolagsmaterialer til brug i forskning og industrielle omgivelser ved i høj grad at reducere behandlingstiden," skriver Sánchez Juárez i avisen. Applications include 2D materials suitable for photodetectors, excitonic light-emitting devices (LEDs), lasers, optical generation of spin–valley currents, single photon emission, and modulators. + Udforsk yderligere

Energy-efficient AI hardware technology via a brain-inspired stashing system