Se en undvigende magnetisk effekt gennem linsen af ​​maskinlæring

Superledere har længe været betragtet som den vigtigste tilgang til at realisere elektronik uden resistivitet. I det sidste årti har en ny familie af kvantematerialer, "topologiske materialer", tilbudt et alternativt, men lovende middel til at opnå elektronik uden energitab (eller tab). Sammenlignet med superledere giver topologiske materialer nogle få fordele, såsom robusthed over for forstyrrelser. For at opnå de dissipationsløse elektroniske tilstande er en nøglevej den såkaldte "magnetiske nærhedseffekt", som opstår, når magnetisme trænger lidt ind i overfladen af ​​et topologisk materiale. Det har dog været en udfordring at observere nærhedseffekten.

Problemet, ifølge Zhantao Chen, en maskiningeniør Ph.D. studerende ved MIT, "er, at det signal, folk leder efter, der ville indikere, at tilstedeværelsen af ​​denne effekt normalt er for svag til at opdage endegyldigt med traditionelle metoder." Derfor besluttede et team af forskere – baseret på MIT, Pennsylvania State University og National Institute of Standards and Technology – at prøve en utraditionel tilgang, som endte med at give overraskende gode resultater.

Hvad der ligger under og mellem lagene

I de sidste par år har forskere satset på en teknik kendt som polariseret neutronreflektometri (PNR) til at sondere den dybdeafhængige magnetiske struktur af flerlagsmaterialer samt til at lede efter fænomener som den magnetiske nærhedseffekt. I PNR reflekteres to polariserede neutronstråler med modsatrettede spins fra prøven og opsamles på en detektor. "Hvis neutronen støder på en magnetisk flux, som den der findes inde i et magnetisk materiale, som har den modsatte orientering, vil den ændre sin spin-tilstand, hvilket resulterer i forskellige signaler målt fra spin op og spin ned neutronstråler," forklarer Nina Andrejevic , Ph.D. i materialevidenskab og teknik. Som et resultat kan nærhedseffekten detekteres, hvis et tyndt lag af et normalt ikke-magnetisk materiale - placeret umiddelbart ved siden af ​​et magnetisk materiale - viser sig at blive magnetiseret.

Men effekten er meget subtil og strækker sig kun omkring 1 nanometer i dybden, og der kan opstå uklarheder og udfordringer, når det kommer til at fortolke eksperimentelle resultater. "Ved at bringe maskinlæring ind i vores metodologi håbede vi at få et klarere billede af, hvad der foregår," bemærker Mingda Li, Norman C. Rasmussens karriereudviklingsprofessor ved Institut for Nuklear Science and Engineering, som stod i spidsen for forskerholdet. Det håb blev virkelig bekræftet, og holdets resultater blev offentliggjort den 17. marts i en artikel i Applied Physics Review .

Forskerne undersøgte en topologisk isolator - et materiale, der er elektrisk isolerende i dets indre, men som kan lede elektrisk strøm på overfladen. De valgte at fokusere på et lagdelt materialesystem bestående af den topologiske isolator bismuthselenid (Bi₂ Se₃ ) koblet til den ferromagnetiske isolator europiumsulfid (EuS). Bi₂ Se₃ er i sig selv et ikke-magnetisk materiale, så det magnetiske EuS-lag dominerer forskellen mellem signalerne målt af de to polariserede neutronstråler. Men ved hjælp af maskinlæring var forskerne i stand til at identificere og kvantificere et andet bidrag til PNR-signalet - magnetiseringen induceret i Bi₂ Se₃ ved grænsefladen med det tilstødende EuS-lag. "Maskinlæringsmetoder er yderst effektive til at fremkalde underliggende mønstre fra komplekse data, hvilket gør det muligt at skelne subtile effekter som nærhedsmagnetisme i PNR-målingen," siger Andrejevic.

Når PNR-signalet første gang føres til maskinlæringsmodellen, er det meget komplekst. Modellen er i stand til at simplificere dette signal, så nærhedseffekten forstærkes og dermed bliver mere iøjnefaldende. Ved at bruge denne formindskede repræsentation af PNR-signalet kan modellen derefter kvantificere den inducerede magnetisering - hvilket indikerer hvorvidt den magnetiske nærhedseffekt er observeret - sammen med andre attributter ved materialesystemet, såsom tykkelsen, tætheden og ruheden af de konstituerende lag.

Bedre gennemskue AI

"Vi har reduceret den tvetydighed, der opstod i tidligere analyser, takket være fordoblingen i opløsningen opnået ved hjælp af den maskinlæringsassisterede tilgang," siger Leon Fan og Henry Heiberger, bachelor-forskere, der deltager i denne undersøgelse. Hvad det betyder er, at de kunne skelne materialeegenskaber ved længdeskalaer på 0,5 nm, halvdelen af ​​den typiske rumlige udstrækning af nærhedseffekt. Det svarer til at se på at skrive på en tavle fra 20 fod væk og ikke være i stand til at se nogen af ​​ordene. Men hvis du kunne skære den afstand til det halve, kunne du måske læse det hele.

Dataanalyseprocessen kan også fremskyndes betydeligt gennem en afhængighed af maskinlæring. "I gamle dage kunne du bruge uger på at rode med alle parametrene, indtil du kan få den simulerede kurve til at passe til den eksperimentelle kurve," siger Li. "Det kan tage mange forsøg, fordi det samme [PNR]-signal kunne svare til forskellige kombinationer af parametre."

"Det neurale netværk giver dig et svar med det samme," tilføjer Chen. "Der er ikke mere gætværk. Ikke flere forsøg og fejl." Af denne grund er rammen blevet installeret i nogle få reflektometriske strålelinjer for at understøtte analysen af ​​bredere typer materialer.

Nogle eksterne observatører har rost den nye undersøgelse - som er den første til at evaluere effektiviteten af ​​maskinlæring til at identificere nærhedseffekten og blandt de første maskinlæringsbaserede pakker, der bruges til PNR-dataanalyse. "Arbejdet af Andrejevic et al. tilbyder en alternativ vej til at fange de fine detaljer i PNR-data, som viser, hvordan højere opløsning konsekvent kan opnås," siger Kang L. Wang, Distinguished Professor og Raytheon Chair in Electrical Engineering ved University of California i Los Angeles.

"Dette er virkelig et spændende fremskridt," kommenterer Chris Leighton, den Distinguished McKnight University Professor ved University of Minnesota. "Deres nye maskinlæringstilgang kunne ikke kun fremskynde denne proces i høj grad, men også presse endnu mere materialeinformation fra de tilgængelige data."

Den MIT-ledede gruppe overvejer allerede at udvide omfanget af deres undersøgelser. "Den magnetiske nærhedseffekt er ikke den eneste svage effekt, som vi bekymrer os om," siger Andrejevic. "Den maskinlæringsramme, vi har udviklet, kan let overføres til forskellige slags problemer, såsom den superledende nærhedseffekt, som er af stor interesse inden for kvanteberegning." + Udforsk yderligere

Sammenføjning af topologiske isolatorer med magnetiske materialer til energieffektiv elektronik

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.