Science >> Wetenschap >  >> nanotechnologie

Machine learning verbetert de röntgenbeeldvorming van nanotexturen

Stroomdiagram van patroonherkenning uit een reeks individuele fase-ophaalreconstructies met k-means-clustering. Eerst wordt een sinusoïdale testfunctie gebouwd met een grootte die wordt bepaald door de periodiciteitslengte op de mesoschaal. Vervolgens worden de locaties van de supercellen bepaald door de testfunctie te kruiscorreleren met de individuele reconstructies. Ten slotte worden de gescheiden supercellen van de CI geclusterd door k-means clustering en passen vervolgens dezelfde clusters toe om zowel NS- als CI-supercellen te middelen. Credit:Proceedings van de National Academy of Sciences (2023). DOI:10.1073/pnas.2303312120

Met behulp van een combinatie van krachtige röntgenstraling, fase-retrieval-algoritmen en machinaal leren hebben Cornell-onderzoekers de ingewikkelde nanotexturen in dunnefilmmaterialen onthuld, waardoor wetenschappers een nieuwe, gestroomlijnde aanpak kregen voor het analyseren van potentiële kandidaten voor onder meer kwantumcomputers en micro-elektronica. toepassingen.



Wetenschappers zijn vooral geïnteresseerd in nanotexturen die niet-uniform over een dunne film verdeeld zijn, omdat ze het materiaal nieuwe eigenschappen kunnen geven. De meest effectieve manier om de nanotexturen te bestuderen is door ze rechtstreeks te visualiseren, een uitdaging die doorgaans complexe elektronenmicroscopie vereist en waarbij het monster niet bewaard blijft.

De nieuwe beeldvormingstechniek wordt op 6 juli beschreven in de Proceedings of the National Academy of Sciences overwint deze uitdagingen door fase-opvraging en machinaal leren te gebruiken om conventioneel verzamelde röntgendiffractiegegevens – zoals die geproduceerd bij de Cornell High Energy Synchrotron Source, waar gegevens voor het onderzoek werden verzameld – om te zetten in real-space visualisatie van het materiaal op op nanoschaal.

Het gebruik van röntgendiffractie maakt de techniek toegankelijker voor wetenschappers en maakt het mogelijk een groter deel van het monster af te beelden, zegt Andrej Singer, assistent-professor materiaalkunde en techniek en David Croll Sesquicentennial Faculty Fellow in Cornell Engineering, die het onderzoek leidde. met promovendus Ziming Shao.

"Het in beeld brengen van een groot gebied is belangrijk omdat het de ware staat van het materiaal vertegenwoordigt", zei Singer. "De nanotextuur gemeten door een lokale sonde kan afhangen van de keuze van de onderzochte plek."

Een ander voordeel van de nieuwe methode is dat het monster niet uit elkaar hoeft te worden gehaald, waardoor de dynamische studie van dunne films mogelijk wordt, zoals het introduceren van licht om te zien hoe structuren evolueren.

"Deze methode kan gemakkelijk worden toegepast om de dynamiek in situ of operando te bestuderen," zei Shao. "We zijn bijvoorbeeld van plan de methode te gebruiken om te bestuderen hoe de structuur binnen picoseconden verandert na excitatie met korte laserpulsen, wat nieuwe concepten voor toekomstige terahertz-technologieën mogelijk zou kunnen maken."

De techniek werd getest op twee dunne films, waarvan de eerste een bekende nanotextuur had die werd gebruikt om de beeldresultaten te valideren. Bij het testen van een tweede dunne film – een Mott-isolator met fysica die verband houdt met supergeleiding – ontdekten de onderzoekers een nieuw type morfologie dat nog niet eerder in het materiaal was waargenomen:een door spanning geïnduceerd nanopatroon dat zich spontaan vormt tijdens afkoeling tot cryogene temperaturen. P>

"De beelden worden zonder voorafgaande kennis geëxtraheerd", zei Shao, "en kunnen mogelijk nieuwe maatstaven stellen en nieuwe fysische hypothesen opleveren op het gebied van faseveldmodellering, moleculaire dynamica-simulaties en kwantummechanische berekeningen."

Meer informatie: Ziming Shao et al., Real-space beeldvorming van periodieke nanotexturen in dunne films via fasering van diffractiegegevens, Proceedings of the National Academy of Sciences (2023). DOI:10.1073/pnas.2303312120

Journaalinformatie: Proceedings van de Nationale Academie van Wetenschappen

Aangeboden door Cornell University