Een team van onderzoekers van de TU Delft is erin geslaagd een van 's werelds meest nauwkeurige microchipsensoren te ontwerpen. Het apparaat kan functioneren bij kamertemperatuur - een 'heilige graal' voor kwantumtechnologieën en detectie. Door nanotechnologie en machine learning te combineren, geïnspireerd door de spinnenwebben van de natuur, waren ze in staat om een ​​nanomechanische sensor te laten trillen in extreme isolatie van alledaags geluid. Deze doorbraak, gepubliceerd in de Advanced Materials Rising Stars Issue, heeft implicaties voor de studie van zwaartekracht en donkere materie, evenals de gebieden van kwantuminternet, navigatie en detectie.

Een van de grootste uitdagingen bij het bestuderen van trillende objecten op de kleinste schaal, zoals die worden gebruikt in sensoren of kwantumhardware, is hoe te voorkomen dat thermische omgevingsgeluiden in wisselwerking treden met hun fragiele toestand. Quantumhardware wordt bijvoorbeeld meestal op temperaturen van bijna het absolute nulpunt (-273,15 °C) gehouden en koelkasten kosten een half miljoen euro per stuk. Onderzoekers van de TU Delft hebben een webvormige microchipsensor gemaakt die extreem goed resoneert los van kamertemperatuur. Hun ontdekking zal het bouwen van kwantumapparaten onder andere veel betaalbaarder maken.

Lieverd op evolutie

Richard Norte en Miguel Bessa, die het onderzoek leidden, waren op zoek naar nieuwe manieren om nanotechnologie en machine learning te combineren. Maar hoe kwamen ze op het idee om spinnenwebben als model te gebruiken? Richard Norte:"Ik doe dit werk al tien jaar toen ik tijdens de lockdown veel spinnenwebben op mijn terras opmerkte. Ik realiseerde me dat spinnenwebben echt goede trillingsdetectoren zijn, in die zin dat ze trillingen in het web willen meten om hun prooi, maar niet daarbuiten, zoals de wind door een boom. Dus waarom niet meeliften op miljoenen jaren evolutie en een spinnenweb gebruiken als een eerste model voor een ultragevoelig apparaat?"

Omdat het team niets wist over de complexiteit van spinnenwebben, lieten ze het ontdekkingsproces leiden door machine learning. Miguel Bessa:"We wisten dat de experimenten en simulaties duur en tijdrovend waren, dus met mijn groep besloten we een algoritme te gebruiken dat Bayesiaanse optimalisatie heet, om met een paar pogingen een goed ontwerp te vinden." Dongil Shin, mede-eerste auteur van dit werk, implementeerde vervolgens het computermodel en paste het machine learning-algoritme toe om het nieuwe apparaatontwerp te vinden.

Microchipsensor op basis van spinnenwebben

Tot verbazing van de onderzoeker stelde het algoritme een relatief eenvoudig spinnenweb voor uit 150 verschillende spinnenwebontwerpen, dat bestaat uit slechts zes strengen die op een bedrieglijk eenvoudige manier in elkaar zijn gezet. Bessa:"De computersimulaties van Dongil toonden aan dat dit apparaat kan werken bij kamertemperatuur, waarin atomen veel trillen, maar nog steeds een ongelooflijk lage hoeveelheid energie uit de omgeving lekt - een hogere kwaliteitsfactor met andere woorden. Met machine learning en optimalisatie zijn we erin geslaagd om Richard's spinnenwebconcept aan te passen aan deze veel betere kwaliteitsfactor."

Op basis van dit nieuwe ontwerp bouwde mede-eerste auteur Andrea Cupertino een microchipsensor met een ultradunne, nanometer dikke film van keramisch materiaal genaamd siliciumnitride. Het team testte het model door het 'web' van de microchip krachtig te laten trillen en te meten hoe lang het duurde voordat de trillingen stopten. Het resultaat was spectaculair:een recordbrekende geïsoleerde trilling bij kamertemperatuur. Norte:"Buiten ons microchipweb hebben we bijna geen energieverlies geconstateerd:de trillingen bewegen aan de binnenkant in een cirkel en raken de buitenkant niet. Dit is een beetje alsof je iemand een enkele duw op een schommel geeft en laat slingeren voor bijna een eeuw zonder te stoppen."

Gevolgen voor fundamentele en toegepaste wetenschappen

Met hun op spinnenweb gebaseerde sensor laten de onderzoekers zien hoe deze interdisciplinaire strategie de weg opent naar nieuwe doorbraken in de wetenschap, door bio-geïnspireerde ontwerpen, machine learning en nanotechnologie te combineren. Dit nieuwe paradigma heeft interessante implicaties voor kwantuminternet, detectie, microchiptechnologieën en fundamentele fysica, waarbij bijvoorbeeld ultrakleine krachten worden onderzocht, zoals zwaartekracht of donkere materie, die notoir moeilijk te meten zijn. Volgens de onderzoekers was de ontdekking niet mogelijk geweest zonder de Cohesion-beurs van de universiteit, die leidde tot deze samenwerking tussen nanotechnologie en machine learning. + Verder verkennen

Kwantumeffecten bij eindige temperaturen beter begrijpen met machine learning