En hurtigere måde at studere 2D-materialer til næste generations kvante- og elektroniske enheder

Todimensionelle materialer, som består af et enkelt lag af atomer, udviser usædvanlige egenskaber, der kunne udnyttes til en bred vifte af kvante- og mikroelektroniksystemer. Men det, der gør dem helt specielle, er deres fejl. "Det er der, deres sande magi ligger," sagde Alexander Weber-Bargioni ved Department of Energy's Lawrence Berkeley National Laboratory (Berkeley Lab). Defekter ned til atomniveau kan påvirke materialets makroskopiske funktion og føre til ny kvanteadfærd, og der er så mange slags defekter, at forskerne knap er begyndt at forstå mulighederne. En af de største udfordringer på området er systematisk at studere disse defekter i relevante skalaer eller med atomopløsning.

Kunstig intelligens antyder en vej frem. Forskere ved Berkeley Lab afslørede for nylig en ny, hurtig og let reproducerbar måde at kortlægge og identificere defekter i todimensionelle materialer. Den bruger foldede neurale netværk, som er en anvendelse af kunstig intelligens, til hurtigt at analysere data fra autonome eksperimenter, som i de senere år er blevet et stærkt værktøj til at afbilde disse eksotiske materialer.

"Defekter kan med fordel bruges, eller de kan forårsage problemer med materialets makroskopiske funktion," sagde John Thomas, en postdoc-forsker i Weber-Bargioni-gruppen ved Molecular Foundry, en DOE Office of Science-brugerfacilitet ved Berkeley Lab hvor denne undersøgelse blev udført. Thomas udtænkte den tilgang, der kobler AI med autonom opdagelse. "Denne kombination giver os en god måde at screene for defekter og måle dem," sagde han. Metoden kan dramatisk reducere den tid, der kræves til at karakterisere todimensionelle materialer og bruge dem i næste generations kvante- og elektroniske enheder. Forskerne rapporterede deres forskning i et papir offentliggjort i npj Computational Materials .

At forstå faste stoffers kvanteegenskaber har muliggjort banebrydende teknologier gennem årtier, såsom transistoren og laseren. Nu, da forskere forfølger andre applikationer, der udnytter kvanteinformationsvidenskab, såsom kvantesansning og databehandling, er det afgørende at bedre forstå et fænomen i faste stoffer kaldet kvantekohærens. Dette er fokus for Center for Novel Pathways to Quantum Coherence in Materials (NPQC), et Energy Frontier Research Center (EFRC) ledet af Berkeley Lab. Centrets mål er dramatisk at forbedre forskernes forståelse og kontrol af sammenhæng i faste stoffer, hvilket kan føre til nye enheder og applikationer. Og en stor del af dette arbejde er at studere et materiales små fejl.

I denne specifikke forskning, som blev støttet af NPQC EFRC, samarbejdede Thomas og Weber-Bargioni, som er co-PI i EFRC, med Marcus Noack fra Berkeley Labs Applied Mathematics and Computational Research Division. Noack, som er leder for autonome, selvkørende eksperimenter ved Berkeley Labs Center for Advanced Mathematics for Energy Research Applications (CAMERA), udviklede gpCAM, systemet, der bruges til autonome eksperimenter. Gruppen testede deres AI-forstærkede tilgang på materiale fremstillet af et enkelt lag wolframdisulfid (WS2) dyrket på et substrat af grafen og siliciumcarbid.

Indsamling af højopløselige spektroskopiske data om svovl ledige stillinger (en slags defekt) i en kvadratisk prøve af materialet, der måler 125 × 125 pixels, ville kræve omkring 23 dage ved at bruge den konventionelle tilgang til scanning tunneling mikroskopi (STM). STM tilbyder en effektiv måde at indsamle spektroskopisk overfladeinformation og forbinde den med makroskopiske fænomener, men at skabe et fuldt spektralt billede, sagde Thomas, kan ofte være kompliceret af en række faktorer, der kan opstå i løbet af så lang tid.

At reducere den tid, det tager at indhente dataene, kan reducere risikoen for disse komplikationer. Ved at kombinere STM-målinger med maskinlæringsværktøjer reducerede den nye tilgang billeddannelsestiden til omkring 8 timer.

"Fra omkring tre uger ned til en tredjedel af en dag," sagde Thomas. "Det er et godt spring fremad."

WS2 er et overgangsmetal dichalcogenid (TMD), et materiale med egenskaber, der gør det attraktivt til applikationer som kvanteemittere, enheder, der kan producere en enkelt foton ad gangen, og som kan føre til andre kvanteapplikationer. Derudover antyder defekter som svovl ledige stillinger i TMD'er på eksotiske nye måder at manipulere elektroner og fotoner i elektroniske enheder på.

Men WS2 er kun begyndelsen. Den nye teknik kunne bruges til at generere højdimensionelle overfladedata på næsten enhver type todimensionelt materiale, sagde Thomas, og føre til den slags systematiske højopløsningsundersøgelse, som feltet har brug for. Derudover kan metoden udvides ud over STM til andre spektroskopiske teknikker, herunder atomkraftspektroskopi, foto STM og i ultrahurtig STM. Den er tilgængelig til offentlig brug som en open access softwarepakke kaldet gpSTS, hvor Thomas er den ledende udvikler.

"Forhåbentlig har vi lavet et værktøj, som alle kan trække op og tilføje til de fleste STM'er derude," sagde Thomas. "For mig selv vil vi fortsætte med at dykke ned i forskellige kvantematerialer og nye og nye defekter."

Maskinlæringskomponenten i denne forskning nød godt af CAMERA's ekspertise, som har til formål at levere den grundlæggende nye matematik, der kræves for at udnytte eksperimentelle undersøgelser på videnskabelige faciliteter. + Udforsk yderligere

An electrical trigger fires single, identical photons