science >> Wetenschap >  >> Fysica

Een ongrijpbaar magnetisch effect zien door de lens van machine learning

VAE met regressie voor PNR-gegevensanalyse. Credit:Applied Physics Review (2022). DOI:10.1063/5.0078814

Supergeleiders zijn lange tijd beschouwd als de belangrijkste benadering voor het realiseren van elektronica zonder weerstand. In het afgelopen decennium heeft een nieuwe familie van kwantummaterialen, 'topologische materialen', een alternatieve maar veelbelovende manier geboden om elektronica te bereiken zonder energiedissipatie (of verlies). In vergelijking met supergeleiders bieden topologische materialen een aantal voordelen, zoals robuustheid tegen storingen. Om de dissipatieloze elektronische toestanden te bereiken, is een belangrijke route het zogenaamde "magnetische nabijheidseffect", dat optreedt wanneer magnetisme enigszins doordringt in het oppervlak van een topologisch materiaal. Het observeren van het nabijheidseffect was echter een uitdaging.

Het probleem, volgens Zhantao Chen, een werktuigbouwkundige Ph.D. student aan het MIT, "is dat het signaal waar mensen naar op zoek zijn dat zou aangeven dat dit effect aanwezig is, meestal te zwak is om met traditionele methoden definitief te detecteren." Daarom besloot een team van wetenschappers, gevestigd aan het MIT, de Pennsylvania State University en het National Institute of Standards and Technology, om een ​​niet-traditionele benadering te proberen, die uiteindelijk verrassend goede resultaten opleverde.

Wat er onder en tussen de lagen ligt

De afgelopen jaren hebben onderzoekers vertrouwd op een techniek die bekend staat als gepolariseerde neutronenreflectometrie (PNR) om de diepteafhankelijke magnetische structuur van meerlagige materialen te onderzoeken en om te zoeken naar verschijnselen zoals het magnetische nabijheidseffect. In PNR worden twee gepolariseerde neutronenbundels met tegengestelde spins gereflecteerd door het monster en verzameld op een detector. "Als het neutron een magnetische flux tegenkomt, zoals die wordt aangetroffen in een magnetisch materiaal, dat de tegenovergestelde oriëntatie heeft, zal het zijn spintoestand veranderen, wat resulteert in verschillende signalen gemeten van de spin-up en spin-down neutronenbundels", legt Nina Andrejevic uit. , Ph.D. in materiaalkunde en techniek. Als gevolg hiervan kan het nabijheidseffect worden gedetecteerd als wordt aangetoond dat een dunne laag van een normaal niet-magnetisch materiaal - direct naast een magnetisch materiaal geplaatst - gemagnetiseerd wordt.

Maar het effect is heel subtiel en reikt slechts ongeveer 1 nanometer diep, en er kunnen onduidelijkheden en uitdagingen ontstaan ​​als het gaat om het interpreteren van experimentele resultaten. "Door machine learning in onze methodologie te integreren, hoopten we een duidelijker beeld te krijgen van wat er aan de hand is", merkt Mingda Li op, de Norman C. Rasmussen Career Development Professor bij de afdeling Nuclear Science and Engineering die het onderzoeksteam leidde. Die hoop werd inderdaad bevestigd en de bevindingen van het team werden op 17 maart gepubliceerd in een paper in Applied Physics Review .

De onderzoekers onderzochten een topologische isolator:een materiaal dat van binnen elektrisch isoleert, maar aan het oppervlak elektrische stroom kan geleiden. Ze kozen ervoor om zich te concentreren op een gelaagd materiaalsysteem bestaande uit de topologische isolator bismutselenide (Bi2 Se3 ) gekoppeld aan de ferromagnetische isolator europiumsulfide (EuS). Bi2 Se3 is op zichzelf een niet-magnetisch materiaal, dus de magnetische EuS-laag domineert het verschil tussen de signalen gemeten door de twee gepolariseerde neutronenbundels. Met behulp van machine learning konden de onderzoekers echter een andere bijdrage aan het PNR-signaal identificeren en kwantificeren:de magnetisatie die wordt geïnduceerd in de Bi2 Se3 op het grensvlak met de aangrenzende EuS-laag. "Machineleermethoden zijn zeer effectief in het opsporen van onderliggende patronen uit complexe gegevens, waardoor het mogelijk wordt om subtiele effecten zoals die van nabijheidsmagnetisme in de PNR-meting te onderscheiden", zegt Andrejevic.

Wanneer het PNR-signaal voor het eerst naar het machine learning-model wordt gevoerd, is het zeer complex. Het model is in staat om dit signaal te vereenvoudigen, zodat het nabijheidseffect wordt versterkt en dus meer opvalt. Met behulp van deze uitgeklede weergave van het PNR-signaal kan het model vervolgens de geïnduceerde magnetisatie kwantificeren - wat aangeeft of het magnetische nabijheidseffect al dan niet wordt waargenomen - samen met andere attributen van het materiaalsysteem, zoals de dikte, dichtheid en ruwheid van de samenstellende lagen.

Beter door AI heen kijken

"We hebben de dubbelzinnigheid die in eerdere analyses ontstond, verminderd dankzij de verdubbeling van de resolutie die werd bereikt met behulp van de machine learning-ondersteunde benadering", zeggen Leon Fan en Henry Heiberger, niet-gegradueerde onderzoekers die aan dit onderzoek deelnamen. Dat betekent dat ze materiaaleigenschappen konden onderscheiden op lengteschalen van 0,5 nm, de helft van de typische ruimtelijke omvang van het nabijheidseffect. Dat is vergelijkbaar met kijken op een schoolbord vanaf 6 meter afstand en geen van de woorden kunnen onderscheiden. Maar als je die afstand zou kunnen halveren, zou je misschien het hele ding kunnen lezen.

Het data-analyseproces kan ook aanzienlijk worden versneld door te vertrouwen op machine learning. "Vroeger kon je wekenlang aan alle parameters prutsen totdat je de gesimuleerde curve in de experimentele curve kunt krijgen", zegt Li. "Het kan vele pogingen kosten, omdat hetzelfde [PNR]-signaal kan overeenkomen met verschillende combinaties van parameters."

"Het neurale netwerk geeft je meteen een antwoord", voegt Chen toe. "Er is geen giswerk meer. Geen vallen en opstaan ​​meer." Om deze reden is het raamwerk geïnstalleerd in enkele reflectometriebundellijnen om de analyse van bredere soorten materialen te ondersteunen.

Sommige externe waarnemers hebben de nieuwe studie geprezen - die de eerste is die de effectiviteit van machine learning evalueert bij het identificeren van het nabijheidseffect, en een van de eerste op machine learning gebaseerde pakketten die worden gebruikt voor PNR-gegevensanalyse. "Het werk van Andrejevic et al. biedt een alternatieve manier om de fijne details in PNR-gegevens vast te leggen, en laat zien hoe consequent een hogere resolutie kan worden bereikt", zegt Kang L. Wang, Distinguished Professor en Raytheon Chair in Electrical Engineering aan de University of California. in Los Angeles.

"Dit is echt een opwindende vooruitgang", zegt Chris Leighton, de Distinguished McKnight University Professor aan de University of Minnesota. "Hun nieuwe machine learning-aanpak zou dit proces niet alleen enorm kunnen versnellen, maar ook nog meer materiaalinformatie uit de beschikbare gegevens kunnen persen."

De door het MIT geleide groep overweegt al om de reikwijdte van hun onderzoeken uit te breiden. "Het magnetische nabijheidseffect is niet het enige zwakke effect waar we om geven", zegt Andrejevic. "Het machine learning-raamwerk dat we hebben ontwikkeld, is gemakkelijk overdraagbaar naar verschillende soorten problemen, zoals het supergeleidende nabijheidseffect, dat van groot belang is op het gebied van kwantumcomputing." + Verder verkennen

Topologische isolatoren verbinden met magnetische materialen voor energiezuinige elektronica

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.