Spiderweb som inspiration til at skabe en af ​​verdens mest præcise mikrochipsensorer

Et team af forskere fra TU Delft formåede at designe en af ​​verdens mest præcise mikrochipsensorer. Enheden kan fungere ved stuetemperatur - en 'hellig gral' til kvanteteknologier og sansning. Ved at kombinere nanoteknologi og maskinlæring inspireret af naturens edderkoppespind var de i stand til at få en nanomekanisk sensor til at vibrere i ekstrem isolation fra hverdagens støj. Dette gennembrud, offentliggjort i Advanced Materials Rising Stars Issue, har implikationer for studiet af tyngdekraft og mørkt stof såvel som felterne kvanteinternet, navigation og sansning.

En af de største udfordringer for at studere vibrerende objekter i den mindste skala, som dem, der bruges i sensorer eller kvantehardware, er, hvordan man forhindrer omgivende termisk støj i at interagere med deres skrøbelige tilstande. Quantum hardware for eksempel holdes normalt ved temperaturer tæt på det absolutte nulpunkt (−273,15°C), og køleskabe koster en halv million euro stykket. Forskere fra TU Delft skabte en webformet mikrochipsensor, der giver ekstremt god genlyd isoleret fra rumtemperaturstøj. Blandt andre applikationer vil deres opdagelse gøre det meget mere overkommeligt at bygge kvanteenheder.

Baffe på evolution

Richard Norte og Miguel Bessa, der ledede forskningen, ledte efter nye måder at kombinere nanoteknologi og maskinlæring på. Men hvordan kom de på ideen om at bruge edderkoppespind som model? Richard Norte:"Jeg har allerede udført dette arbejde i et årti, da jeg under lockdown bemærkede en masse edderkoppespind på min terrasse. Jeg indså, at edderkoppespind er virkelig gode vibrationsdetektorer, idet de vil måle vibrationer inde på nettet for at finde deres bytte, men ikke uden for det, som vind gennem et træ. Så hvorfor ikke blaffe på millioner af års evolution og bruge et edderkoppespind som en indledende model for en ultra-følsom enhed?"

Da holdet ikke vidste noget om edderkoppespinds kompleksitet, lod de maskinlæring styre opdagelsesprocessen. Miguel Bessa:"Vi vidste, at eksperimenterne og simuleringerne var dyre og tidskrævende, så sammen med min gruppe besluttede vi at bruge en algoritme kaldet Bayesiansk optimering, for at finde et godt design med få forsøg." Dongil Shin, co-first forfatter i dette arbejde, implementerede derefter computermodellen og anvendte maskinlæringsalgoritmen til at finde det nye enhedsdesign.

Mikrochipsensor baseret på edderkoppespind

Til forskerens overraskelse foreslog algoritmen et relativt simpelt edderkoppespind ud af 150 forskellige edderkoppespind, som kun består af seks strenge sat sammen på en bedragerisk simpel måde. Bessa:"Dongils computersimuleringer viste, at denne enhed kunne arbejde ved stuetemperatur, hvor atomer vibrerer meget, men stadig har en utrolig lav mængde energi, der siver ind fra miljøet - en højere kvalitetsfaktor med andre ord. Med maskinlæring og optimering lykkedes det at tilpasse Richards spiderweb-koncept til denne meget bedre kvalitetsfaktor."

Baseret på dette nye design byggede den første forfatter Andrea Cupertino en mikrochipsensor med en ultratynd, nanometertyk film af keramisk materiale kaldet siliciumnitrid. Holdet testede modellen ved kraftigt at vibrere mikrochippen 'nettet' og måle den tid, det tog for vibrationerne at stoppe. Resultatet var spektakulært:en rekordstor isoleret vibration ved stuetemperatur. Norte:"Vi fandt næsten intet energitab uden for vores mikrochipnet:vibrationerne bevæger sig i en cirkel på indersiden og rører ikke ydersiden. Det er lidt ligesom at give nogen et enkelt tryk på en gynge og få dem til at svinge videre. i næsten et århundrede uden at stoppe."

Konsekvenser for grundlæggende og anvendt videnskab

Med deres edderkoppeweb-baserede sensor viser forskerne, hvordan denne tværfaglige strategi åbner en vej til nye gennembrud inden for videnskaben ved at kombinere bio-inspirerede designs, maskinlæring og nanoteknologi. Dette nye paradigme har interessante implikationer for kvanteinternet, sansning, mikrochipteknologier og fundamental fysik – udforskning af for eksempel ultrasmå kræfter som tyngdekraft eller mørkt stof, som er notorisk svære at måle. Ifølge forskerne ville opdagelsen ikke have været mulig uden universitetets Cohesion-bevilling, som førte til dette samarbejde mellem nanoteknologi og maskinlæring. + Udforsk yderligere

Forståelse af finite-temperatur kvanteeffekter bedre med maskinlæring