Tweedimensionale materialen, die uit een enkele laag atomen bestaan, vertonen ongebruikelijke eigenschappen die kunnen worden benut voor een breed scala aan kwantum- en micro-elektronicasystemen. Maar wat ze echt speciaal maakt, zijn hun gebreken. "Dat is waar hun ware magie ligt", zei Alexander Weber-Bargioni van het Lawrence Berkeley National Laboratory van het Department of Energy (Berkeley Lab). Defecten tot op atomair niveau kunnen de macroscopische functie van het materiaal beïnvloeden en leiden tot nieuw kwantumgedrag, en er zijn zoveel soorten defecten dat onderzoekers de mogelijkheden nog maar net beginnen te begrijpen. Een van de grootste uitdagingen in het veld is het systematisch bestuderen van deze defecten op relevante schalen, of met atomaire resolutie.

Kunstmatige intelligentie suggereert een weg vooruit. Onderzoekers van Berkeley Lab hebben onlangs een nieuwe, snelle en gemakkelijk reproduceerbare manier onthuld om defecten in tweedimensionale materialen in kaart te brengen en te identificeren. Het maakt gebruik van convolutionele neurale netwerken, een toepassing van kunstmatige intelligentie, om snel gegevens te analyseren van autonome experimenten, die de afgelopen jaren een krachtig hulpmiddel zijn geworden om deze exotische materialen in beeld te brengen.

"Defecten kunnen met voordeel worden gebruikt, of ze kunnen problemen veroorzaken met de macroscopische functie van het materiaal", zegt John Thomas, een postdoctoraal onderzoeker in de Weber-Bargioni Group van de Molecular Foundry, een DOE Office of Science-gebruikersfaciliteit in Berkeley Lab waar dit onderzoek is uitgevoerd. Thomas bedacht de aanpak die AI koppelt aan autonome ontdekking. "Deze combinatie geeft ons een mooie manier om defecten te screenen en te meten", zei hij. De methode zou de tijd die nodig is om tweedimensionale materialen te karakteriseren drastisch kunnen verminderen en ze te gebruiken in kwantum- en elektronische apparaten van de volgende generatie. De wetenschappers rapporteerden hun onderzoek in een paper gepubliceerd in npj Computational Materials .

Het begrijpen van de kwantumeigenschappen van vaste stoffen heeft de afgelopen decennia baanbrekende technologieën mogelijk gemaakt, zoals de transistor en laser. Nu wetenschappers andere toepassingen nastreven die gebruikmaken van kwantuminformatiewetenschap, zoals kwantumdetectie en computergebruik, is het van cruciaal belang om een ​​fenomeen in vaste stoffen dat kwantumcoherentie wordt genoemd, beter te begrijpen. Dit is de focus van het Center for Novel Pathways to Quantum Coherence in Materials (NPQC), een Energy Frontier Research Center (EFRC) onder leiding van Berkeley Lab. Het doel van het centrum is om het begrip en de controle van wetenschappers over de samenhang in vaste stoffen drastisch te verbeteren, wat zou kunnen leiden tot nieuwe apparaten en toepassingen. En een groot deel van dit werk is het bestuderen van de minutieuze gebreken van een materiaal.

In dit specifieke onderzoek, dat werd ondersteund door de NPQC EFRC, werkten Thomas en Weber-Bargioni, een co-PI in de EFRC, samen met Marcus Noack van Berkeley Lab's Applied Mathematics and Computational Research Division. Noack, die de leiding heeft over autonome, zelfrijdende experimenten bij Berkeley Lab's Center for Advanced Mathematics for Energy Research Applications (CAMERA), ontwikkelde gpCAM, het systeem dat wordt gebruikt voor autonome experimenten. De groep testte hun AI-verbeterde aanpak op materiaal gemaakt van een enkele laag wolfraamdisulfide (WS2) gegroeid op een substraat van grafeen en siliciumcarbide.

Het verzamelen van spectroscopische gegevens met hoge resolutie over zwavelvacatures (een soort defect) in een vierkant monster van het materiaal van 125 × 125 pixels zou ongeveer 23 dagen vergen met behulp van de conventionele benadering van scanning tunneling microscopie (STM). STM biedt een krachtige manier om spectroscopische oppervlakte-informatie te verzamelen en te verbinden met macroscopische fenomenen, maar het creëren van een volledig spectraal beeld, zei Thomas, kan vaak worden bemoeilijkt door een aantal factoren die zich gedurende zo'n lange tijd kunnen voordoen.

Het verminderen van de tijd die nodig is om de gegevens te verkrijgen, kan het risico op die complicaties verminderen. Door STM-metingen te combineren met machine learning-tools, heeft de nieuwe aanpak de beeldvormingstijd teruggebracht tot ongeveer 8 uur.

"Van ongeveer drie weken tot een derde van een dag," zei Thomas. "Het is een goede sprong voorwaarts."

WS2 is een overgangsmetaal dichalcogenide (TMD), een materiaal met eigenschappen die het aantrekkelijk maken voor toepassingen zoals kwantumstralers, apparaten die één enkel foton tegelijk kunnen produceren en dat zou kunnen leiden tot andere kwantumtoepassingen. Bovendien duiden defecten zoals zwavelvacatures in TMD's op exotische nieuwe manieren om elektronen en fotonen in elektronische apparaten te manipuleren.

Maar WS2 is slechts het begin. De nieuwe techniek zou kunnen worden gebruikt om hoogdimensionale oppervlaktegegevens te genereren op bijna elk type tweedimensionaal materiaal, zei Thomas, en leiden tot het soort systematisch onderzoek met hoge resolutie dat het veld nodig heeft. Bovendien kan de methode buiten STM worden uitgebreid tot andere spectroscopische technieken, waaronder atoomkrachtspectroscopie, foto-STM en in ultrasnelle STM. Het is beschikbaar voor openbaar gebruik als een open access softwarepakket genaamd gpSTS, waarbij Thomas de hoofdontwikkelaar is.

"Hopelijk hebben we een tool gemaakt die iedereen kan gebruiken en kan toevoegen aan de meeste STM's die er zijn," zei Thomas. "Voor mezelf blijven we ons verdiepen in verschillende kwantummaterialen en nieuwe en nieuwe defecten."

De machine learning-component van dit onderzoek profiteerde van de expertise van CAMERA, die gericht is op het leveren van de fundamentele nieuwe wiskunde die nodig is om te profiteren van experimenteel onderzoek in wetenschappelijke faciliteiten. + Verder verkennen

Een elektrische trigger vuurt enkele, identieke fotonen af ​​