At lære en maskine at identificere ufuldkommenheder i 2-D materialer

Ligesom James Camerons Terminator-800 var i stand til at skelne mellem "tøj, støvler, og en motorcykel, "Maskinlæring kunne identificere forskellige interesseområder for 2D-materialer.

Det enkle, automatiseret optisk identifikation af fundamentalt forskellige fysiske områder på disse materialer (f.eks. områder med doping, stamme, og elektronisk lidelse) kunne fremskynde videnskaben om atomisk tynde materialer markant.

Atomisk tynde (eller 2-D) lag af stof er en ny, fremvoksende klasse af materialer, der vil tjene som grundlag for næste generations energieffektive databehandlinger, optoelektronik og fremtidige smartphones.

"Uden nogen tilsyn, maskinlæringsalgoritmer var i stand til at skelne mellem forskelligt forstyrrede områder på et 2-D halvledende materiale, " forklarer hovedforfatter Dr. Pavel Kolesnichenko. "Dette kan føre til hurtige, maskinstøttet karakterisering af 2-D materialer i fremtiden, accelererende anvendelse af disse materialer i næste generations lavenergi-smartphones."

Automatisering åbner feltet for atomisk tynde materialer

Efter succesen i 2004 med et enkelt lag blyantgrafit (grafen) som et vidunder semi-metallisk materiale med mange ejendommelige egenskaber, forskere over hele verden indså, at andre lagdelte materialer også kan udtyndes til et enkelt lag (et 'monolag').

Siden da, dusinvis af andre monolag er blevet opnået, herunder metaller, halvledere, isolatorer, og mere eksotiske kvantematerialer såsom topologiske isolatorer, superledere og ferromagneter.

At have denne monolag-zoo til deres rådighed, materialeforskere har brugt dem som "LEGO"-blokke:for eksempel at stable dem i mange forskellige kombinationer for at konstruere næste generations transistorer, batterier, hukommelsesceller og fotodioder.

Alle disse enheder, imidlertid, er blevet samlet manuelt og eksisterer som enkeltstående prototyper. Der er stadig lang vej til deres produktion og kommercialisering i industriel skala.

Flere faktorer bidrager til at hæmme fremskridtet. For det første er manglen på fuld kontrol over fremstillingen af ​​monolagsmaterialer. Ud over, nuværende karakteriseringsteknikker er komplicerede og kræver øje fra en erfaren forsker. Endelig, på grund af materialernes ekstreme tynde, sidstnævnte er ekstremt følsomme over for forskellige forstyrrelser, hvoraf mange er introduceret utilsigtet. At forstå disse forstyrrelser er en ikke-triviel opgave, da de kan have en kombineret effekt og skal skilles ad.

Dr. Pavel Kolesnichenko og prof Jeffrey Davis (Swinburne University of Technology) indså, at den utaknemmelige opgave med karakterisering af 2-D materialer kunne udføres af maskiner på en hurtig og automatiseret måde.

"For at forstå virkningen af ​​forskellige forstyrrelser og minimere eller kontrollere deres tilstedeværelse, det er vigtigt at kunne identificere dem og deres rumlige fordeling hurtigt og pålideligt, " sagde prof Davis, der er chefforsker i ARC Center of Excellence in Future Low-Energy Electronics Technologies (FLEET).

Arbejder med FLEET-kollega Prof Michael Fuhrer (Monash University), de anvendte uovervågede maskinlæringsalgoritmer til at karakterisere det halvledende monolag af wolframdisulfid. Dataene blev indhentet med simpelt apparat, der involverede et mikroskop og et spektrometer. Læringsalgoritmerne var derefter i stand til at skelne mellem områderne på en monolagsflage påvirket af doping, stamme, sygdom, og tilstedeværelsen af ​​yderligere lag.

Det er første gang, en sådan systematisk udredning af disse forstyrrelser er blevet udført.

Opgaven blev udført ved at indlejre de opnåede data i et kunstigt konstrueret multidimensionelt parameterrum. Læringsalgoritmer fik derefter lov til at finde en måde at visualisere dataene i forståelige to dimensioner og på den mest repræsentative måde, hvor hver forstyrrelse dannede sin egen data-klynge.

Holdet byggede på tidligere videnskabelige resultater på området, herunder deres tidligere publikation, hvor de adskilte forstyrrelser ved hjælp af korrelerede fotoluminescens- og absorptionsspektre.

"Så mange faktorer kan påvirke optoelektroniske egenskaber af 2-D materialer, herunder typen af ​​underlag, yderligere doping, stamme, tilstedeværelsen af ​​rynker, defekter, og miljømolekyler – you name it, " sagde Dr. Pavel Kolesnichenko (nu postdoc ved Lunds Universitet). flytning til et multidimensionelt parametrisk rum syntes at være et naturligt næste skridt."

"Vi håber også, at forskningen vil motivere forskere til at anvende lignende ideer til andre 2-D materialer og bruge andre billeddannelsesmodaliteter, " siger Pavel.

I en tid med datadrevet videnskab og teknologi, forfatterne håber, at deres forskning vil motivere oprettelsen af ​​et stort mærket datasæt, hvor etiketter (såsom 'doping, " 'belastning, " osv.) vil blive tildelt af erfarne forskere. Dette datasæt vil derefter blive brugt til at træne dybe neurale netværk til at karakterisere 2-D materialer på en brøkdel af et sekund. Forskerne mener, at deres arbejde vil bidrage til at indføre standarder for karakterisering af monolagsstof , nærmer sig tidspunktet for storstilet brug af lavenergi-smartphones og computere i fremtiden.