Сверхпроводники долгое время считались основным подходом к реализации электроники без удельного сопротивления. В последнее десятилетие новое семейство квантовых материалов, «топологических материалов», предложило альтернативные, но многообещающие средства для создания электроники без рассеяния (или потерь) энергии. По сравнению со сверхпроводниками топологические материалы обладают некоторыми преимуществами, такими как устойчивость к помехам. Для достижения электронных состояний без диссипации одним из ключевых путей является так называемый «магнитный эффект близости», который возникает, когда магнетизм слегка проникает в поверхность топологического материала. Однако наблюдение эффекта близости было сложной задачей.

Проблема, по словам Жантао Чена, доктора технических наук в области машиностроения. студент Массачусетского технологического института, «заключается в том, что сигнал, который ищут люди, указывающий на наличие этого эффекта, обычно слишком слаб, чтобы его можно было окончательно обнаружить традиционными методами». Вот почему группа ученых из Массачусетского технологического института, Пенсильванского государственного университета и Национального института стандартов и технологий решила попробовать нетрадиционный подход, который в итоге дал удивительно хорошие результаты.

Что находится под и между слоями

В течение последних нескольких лет исследователи полагались на метод, известный как рефлектометрия поляризованных нейтронов (PNR), для исследования зависящей от глубины магнитной структуры многослойных материалов, а также для поиска таких явлений, как магнитный эффект близости. В PNR два пучка поляризованных нейтронов с противоположными спинами отражаются от образца и собираются на детекторе. «Если нейтрон сталкивается с магнитным потоком, например, внутри магнитного материала, который имеет противоположную ориентацию, он изменит свое спиновое состояние, что приведет к различным сигналам, измеренным от пучков нейтронов со спином вверх и вниз», — объясняет Нина Андреевич, кандидат материаловедения. В результате эффект близости может быть обнаружен, если показано, что тонкий слой обычно немагнитного материала, помещенный в непосредственной близости от магнитного материала, становится намагниченным.

Но эффект очень тонкий, простирается всего на 1 нанометр в глубину, и когда дело доходит до интерпретации экспериментальных результатов, могут возникнуть неясности и проблемы. «Включив машинное обучение в нашу методологию, мы надеялись получить более четкое представление о том, что происходит», — отмечает Мингда Ли, профессор Нормана К. Расмуссена по развитию карьеры в Департаменте ядерной науки и техники, возглавлявший исследовательскую группу. Эта надежда действительно оправдалась, и результаты исследования были опубликованы 17 марта в журнале Applied Physics Review.

Исследователи исследовали топологический изолятор — материал, который обладает электроизоляционными свойствами внутри, но может проводить электрический ток по поверхности. Они решили сосредоточиться на системе слоистых материалов, состоящей из топологического изолятора селенида висмута (Bi ₂ Se ₃ ), сопряженного с ферромагнитным изолятором сульфидом европия (EuS). Bi ₂ Se ₃ сам по себе является немагнитным материалом, поэтому магнитный слой EuS доминирует в разнице между сигналами, измеренными двумя пучками поляризованных нейтронов. Однако с помощью машинного обучения исследователи смогли определить и количественно оценить другой вклад в сигнал PNR — намагниченность, индуцированную в Bi ₂ Se ₃на границе с соседним слоем EuS. «Методы машинного обучения очень эффективны в выявлении основных закономерностей из сложных данных , что позволяет различать тонкие эффекты, такие как магнетизм близости, в измерении PNR», — говорит Андреевич.

Когда сигнал PNR впервые подается в модель машинного обучения , он очень сложный. Модель способна упростить этот сигнал, так что эффект близости усиливается и, таким образом, становится более заметным. Используя это урезанное представление сигнала PNR, модель может затем количественно определить индуцированную намагниченность, указав, наблюдается ли магнитный эффект близости, а также другие атрибуты системы материалов, такие как толщина, плотность и шероховатость. составляющие слои.

Лучше видеть через ИИ

«Мы уменьшили неоднозначность, которая возникла в предыдущих анализах, благодаря удвоению разрешения, достигнутому с помощью подхода с помощью машинного обучения», — говорят Леон Фан и Генри Хейбергер, исследователи-студенты, участвующие в этом исследовании. Это означает, что они могли различать свойства материалов на шкале длины 0,5 нм, что составляет половину типичной пространственной протяженности эффекта близости. Это аналогично тому, как если бы вы смотрели на доску с расстояния 20 футов и не могли разобрать ни одного слова. Но если бы вы могли сократить это расстояние вдвое, вы могли бы прочитать все это целиком.

Процесс анализа данных также можно значительно ускорить, полагаясь на машинное обучение. «В прежние времена вы могли потратить недели на возню со всеми параметрами, пока не получите смоделированную кривую, соответствующую экспериментальной», — говорит Ли. «Это может занять много попыток, потому что один и тот же сигнал [PNR] может соответствовать разным комбинациям параметров».

«Нейронная сеть сразу дает вам ответ», — добавляет Чен. «Больше никаких догадок. Никаких проб и ошибок». По этой причине каркас был установлен на нескольких каналах рефлектометрии для поддержки анализа более широких типов материалов.

Некоторые сторонние наблюдатели высоко оценили новое исследование, которое впервые оценило эффективность машинного обучения в выявлении эффекта близости и стало одним из первых пакетов на основе машинного обучения, используемых для анализа данных PNR. «Работа Андреевича и др. предлагает альтернативный способ захвата мелких деталей в данных PNR, демонстрируя, как можно постоянно достигать более высокого разрешения», — говорит Канг Л. Ван, заслуженный профессор и заведующий кафедрой электротехники Raytheon Калифорнийского университета. в Лос-Анджелесе.

«Это действительно захватывающее достижение», — комментирует Крис Лейтон, почетный профессор Университета Макнайта Миннесотского университета. «Их новый подход к машинному обучению может не только значительно ускорить этот процесс, но и выжать из имеющихся данных еще больше информации о материалах».

Группа под руководством Массачусетского технологического института уже рассматривает возможность расширения масштабов своих исследований. «Эффект магнитной близости — не единственный слабый эффект, который нас волнует», — говорит Андреевич. «Разработанная нами структура машинного обучения легко применима к различным видам задач, таким как сверхпроводящий эффект близости, который представляет большой интерес в области квантовых вычислений».