Net zoals de Terminator-800 van James Cameron onderscheid kon maken tussen "kleding, laarzen, en een motorfiets, "machine-learning zou verschillende interessegebieden op 2D-materialen kunnen identificeren.

Het simpele, geautomatiseerde optische identificatie van fundamenteel verschillende fysieke gebieden op deze materialen (bijv. gebieden waar doping wordt gebruikt, deformatie, en elektronische wanorde) zou de wetenschap van atomair dunne materialen aanzienlijk kunnen versnellen.

Atomair dunne (of 2-D) materielagen zijn een nieuwe, opkomende klasse van materialen die als basis zullen dienen voor energie-efficiënt computergebruik van de volgende generatie, opto-elektronica en toekomstige smartphones.

"Zonder toezicht, machine-learning algoritmen waren in staat om onderscheid te maken tussen verschillende verstoorde gebieden op een 2D halfgeleidend materiaal, " legt hoofdauteur Dr. Pavel Kolesnichenko uit. "Dit kan leiden tot snelle, machinale karakterisering van 2D-materialen in de toekomst, het versnellen van de toepassing van deze materialen in energiezuinige smartphones van de volgende generatie."

Automatisering opent het veld van atomair dunne materialen

Na het succes in 2004 van een enkele laag potloodgrafiet (grafeen) als een wonderbaarlijk halfmetalen materiaal met veel eigenaardige eigenschappen, wetenschappers over de hele wereld realiseerden zich dat andere gelaagde materialen ook kunnen worden verdund tot een enkele laag (een 'monolaag').

Vanaf dat moment, tientallen andere monolagen zijn verkregen, inclusief metalen, halfgeleiders, isolatoren, en meer exotische kwantummaterialen zoals topologische isolatoren, supergeleiders en ferromagneten.

Deze monolaag-dierentuin tot hun beschikking hebben, materiaalwetenschappers hebben ze gebruikt als 'LEGO'-blokken:ze bijvoorbeeld in veel verschillende combinaties stapelen om transistors van de volgende generatie te construeren, batterijen, geheugencellen en fotodiodes.

Al deze apparaten, echter, zijn handmatig geassembleerd en bestaan ​​als eenmalige prototypes. Er is nog een lange weg te gaan naar hun productie en commercialisering op industriële schaal.

Verschillende factoren dragen bij aan het belemmeren van de voortgang. Ten eerste is er het gebrek aan volledige controle over de fabricage van monolaagmaterialen. In aanvulling, de huidige karakteriseringstechnieken zijn ingewikkeld en vereisen het oog van een ervaren onderzoeker. Eindelijk, door de extreme dunheid van de materialen, deze laatste zijn extreem gevoelig voor verschillende verstoringen, waarvan vele onbedoeld worden geïntroduceerd. Het begrijpen van deze verstoringen is een niet-triviale taak, omdat ze een gecombineerd effect kunnen hebben en moeten worden ontward.

Dr. Pavel Kolesnichenko en Prof Jeffrey Davis (Swinburne University of Technology) realiseerden zich dat de ondankbare taak van het karakteriseren van 2D-materialen door machines op een snelle en geautomatiseerde manier kon worden volbracht.

"Om de impact van verschillende verstoringen te begrijpen en hun aanwezigheid te minimaliseren of te beheersen, het is belangrijk om ze en hun ruimtelijke verspreiding snel en betrouwbaar te kunnen identificeren, " zei prof Davis, die hoofdonderzoeker is in het ARC Center of Excellence in Future Low-Energy Electronics Technologies (FLEET).

Werken met FLEET-collega Prof Michael Fuhrer (Monash University), ze pasten onbewaakte algoritmen voor machinaal leren toe om de halfgeleidende monolaag van wolfraamdisulfide te karakteriseren. De gegevens werden verkregen door een eenvoudig apparaat met een microscoop en een spectrometer. De leeralgoritmen waren vervolgens in staat onderscheid te maken tussen de gebieden op een enkellaagse vlok die door doping waren aangetast, deformatie, wanorde, en de aanwezigheid van extra lagen.

Dit is de eerste keer dat een dergelijke systematische ontvlechting van deze verstoringen is uitgevoerd.

De taak werd volbracht door de verkregen gegevens in te bedden in een kunstmatig geconstrueerde multidimensionale parameterruimte. Leeralgoritmen mochten vervolgens een manier vinden om de gegevens in begrijpelijke twee dimensies en op de meest representatieve manier te visualiseren, waarbij elke verstoring zijn eigen datacluster vormde.

Het team bouwde voort op eerdere wetenschappelijke resultaten in het veld, waaronder hun eerdere publicatie, waar ze verstoringen ontwarden met behulp van gecorreleerde fotoluminescentie- en absorptiespectra.

"Er zijn zoveel factoren die de opto-elektronische eigenschappen van 2D-materialen kunnen beïnvloeden, inclusief het type ondergrond, extra doping, deformatie, de aanwezigheid van rimpels, gebreken, en omgevingsmoleculen - noem maar op, " zei Dr. Pavel Kolesnichenko (nu een postdoc aan de Universiteit van Lund). "Dus, verhuizen naar een multidimensionale parametrische ruimte leek een natuurlijke volgende stap."

"We hopen ook dat het onderzoek wetenschappers zal motiveren om soortgelijke ideeën toe te passen op andere 2D-materialen en andere beeldvormingsmodaliteiten te gebruiken, ' zegt Pavel.

In het tijdperk van datagedreven wetenschap en technologie, de auteurs hopen dat hun onderzoek de creatie van een grote gelabelde dataset zal motiveren, waar labels (zoals 'doping, " 'deformatie, " enz.) zou worden toegewezen door ervaren onderzoekers. Deze dataset zou vervolgens worden gebruikt om diepe neurale netwerken te trainen om 2D-materialen in een fractie van een seconde te karakteriseren. De onderzoekers geloven dat hun werk zal helpen om normen te introduceren voor de karakterisering van monolaag-materie , het moment van grootschalig gebruik van energiezuinige smartphones en computers in de toekomst nadert.