Een van de meest vervelende, ontmoedigende taken voor niet-gegradueerde assistenten in universitaire onderzoekslaboratoria is om uren achtereen door een microscoop naar materiaalmonsters te kijken, in een poging monolagen te vinden.

Deze tweedimensionale materialen - minder dan 1/100.000ste van de breedte van een mensenhaar - zijn zeer gewild voor gebruik in elektronica, fotonica en opto-elektronische apparaten vanwege hun unieke eigenschappen.

"Onderzoekslaboratoria huren legers van studenten in om niets anders te doen dan monolagen te zoeken", zegt Jaime Cardenas, een assistent-professor in de optica aan de Universiteit van Rochester. "Het is erg vervelend, en als je moe wordt, mis je misschien enkele van de monolagen of begin je verkeerde identificaties te maken."

Zelfs na al dat werk moeten de laboratoria de materialen dan dubbel controleren met dure Raman-spectroscopie of atoomkrachtmicroscopie.

Jesús Sánchez Juárez, een Ph.D. student in het Cardenas Lab, heeft het leven van studenten, hun onderzoekslaboratoria en bedrijven een stuk gemakkelijker gemaakt die soortgelijke problemen ondervinden bij het detecteren van monolagen.

De baanbrekende technologie, een geautomatiseerd scanapparaat beschreven in Optical Materials Express , kan monolagen detecteren met een nauwkeurigheid van 99,9%, wat elke andere methode tot nu toe overtreft.

Voor een fractie van de kosten. In veel minder tijd. Met direct beschikbare materialen.

"Een van de belangrijkste doelstellingen was om een ​​systeem te ontwikkelen met een zeer klein budget, zodat studenten en laboratoria deze methoden kunnen repliceren zonder duizenden en duizenden dollars te hoeven investeren om alleen de benodigde apparatuur te kopen", zegt Sánchez Juárez, de hoofdauteur van het papier.

Het apparaat dat hij heeft gemaakt, kan bijvoorbeeld worden gerepliceerd met een goedkope microscoop met een 5X-objectief en een goedkope OEM-camera (original equipment manufacturer).

Een creatieve aanpassing van een neuraal AI-netwerk

"We zijn erg enthousiast", zegt Cardenas. "Jesús heeft hier verschillende dingen gedaan die nieuw en anders zijn, door kunstmatige intelligentie op een nieuwe manier toe te passen om een ​​groot probleem bij het gebruik van 2D-materialen op te lossen."

Veel laboratoria hebben geprobeerd de noodzaak van dure back-upkarakteriseringstests te elimineren door een neuraal netwerk met kunstmatige intelligentie (AI) te trainen om naar de monolagen te scannen. De meeste laboratoria die deze aanpak hebben geprobeerd, proberen een volledig nieuw netwerk op te bouwen, wat veel tijd kost, zegt Cardenas.

In plaats daarvan begon Sánchez Juárez met een openbaar beschikbaar neuraal netwerk genaamd AlexNet dat al is getraind om objecten te herkennen.

Vervolgens ontwikkelde hij een nieuw proces dat afbeeldingen van materialen omkeert, zodat alles wat helder was op de originele afbeelding in plaats daarvan zwart lijkt, en vice versa. De geïnverteerde beelden worden door aanvullende verwerkingsstappen geleid. Op dat moment "zien de afbeeldingen er voor het menselijk oog helemaal niet goed uit", zegt Cardenas, "maar voor een computer is het gemakkelijker om de monolagen te scheiden van de substraten waarop ze zijn afgezet."

Kortom:in vergelijking met die lange, vervelende uren scannen door studenten, kan het systeem van Sánchez Juárez 100 afbeeldingen van monsters van 1 centimeter x 1 centimeter in negen minuten verwerken met een nauwkeurigheid van bijna 100%.

"Onze demonstratie maakt de weg vrij voor geautomatiseerde productie van monolaagmaterialen voor gebruik in onderzoeks- en industriële omgevingen door de verwerkingstijd aanzienlijk te verkorten", schrijft Sánchez Juárez in de krant. Applications include 2D materials suitable for photodetectors, excitonic light-emitting devices (LEDs), lasers, optical generation of spin–valley currents, single photon emission, and modulators. + Verder verkennen

Energy-efficient AI hardware technology via a brain-inspired stashing system