Een machine leren om onvolkomenheden in 2D-materialen te identificeren

Net zoals de Terminator-800 van James Cameron onderscheid kon maken tussen “kleding, laarzen en een motorfiets”, zo kon machinaal leren verschillende interessegebieden op 2D-materiaal identificeren.

De eenvoudige, geautomatiseerde optische identificatie van fundamenteel verschillende fysieke gebieden op deze materialen (bijv. Gebieden die doping, spanning en elektronische wanorde vertonen) zou de wetenschap van atomair dunne materialen aanzienlijk kunnen versnellen.

Atoomdunne (of tweedimensionale) materielagen vormen een nieuwe, opkomende materiaalklasse die als basis zal dienen voor de volgende generatie energie-efficiënte computers, opto-elektronica en toekomstige smartphones.

“Zonder enige supervisie waren algoritmen voor machinaal leren in staat om onderscheid te maken tussen verschillend verstoorde gebieden op een 2D halfgeleidend materiaal”, legt hoofdauteur Dr. Pavel Kolesnichenko uit. “Dit kan in de toekomst leiden tot een snelle, machinaal ondersteunde karakterisering van 2D-materialen, waardoor de toepassing van deze materialen in de volgende generatie energiezuinige smartphones wordt versneld.”

Automatisering opent het veld van atomair dunne materialen

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

Sindsdien zijn er tientallen andere monolagen verkregen, waaronder metalen, halfgeleiders, isolatoren en meer exotische kwantummaterialen zoals topologische isolatoren, supergeleiders en ferromagneten.

Met deze monolaag-dierentuin tot hun beschikking, hebben materiaalwetenschappers ze gebruikt als ‘LEGO’-blokken: ze stapelen ze bijvoorbeeld in veel verschillende combinaties om de volgende generatie transistors, batterijen, geheugencellen en fotodiodes te bouwen.

Al deze apparaten zijn echter met de hand in elkaar gezet en bestaan ​​als eenmalige prototypes. Er is nog een lange weg af naar hun productie en commercialisering op industriële schaal.

Meerdere factoren dragen bij aan het belemmeren van de voortgang. Ten eerste is er het gebrek aan volledige controle over de fabricage van monolaagmaterialen. Bovendien zijn de huidige karakteriseringstechnieken ingewikkeld en vereisen ze het oog van een ervaren onderzoeker. Ten slotte zijn de materialen, vanwege de extreme dunheid, extreem gevoelig voor verschillende verstoringen, waarvan er vele onbedoeld worden geïntroduceerd. Het begrijpen van deze verstoringen is een niet-triviale taak, aangezien 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, is het belangrijk om ze en hun ruimtelijke spreiding snel en betrouwbaar te kunnen identificeren”, zegt prof. Davis, hoofdonderzoeker bij ARC Center of Excellence in Toekomstige energiezuinige elektronicatechnologieën (FLEET).

In samenwerking met FLEET-collega prof. Michael Fuhrer (Monash University) pasten ze onbewaakte algoritmen voor machine learning toe om de halfgeleidende monolaag van wolfraamdisulfide te karakteriseren. De gegevens werden verkregen door eenvoudige apparatuur met een microscoop en een spectrometer. De leeralgoritmen waren toen in staat om onderscheid te maken tussen de gebieden op een monolaagvlok die werd beïnvloed door doping, belasting, wanorde en de aanwezigheid van extra lagen.

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

De taak werd volbracht door de verkregen gegevens in te bedden in een kunstmatig geconstrueerde multidimensionale parameterruimte. Leeralgoritmen konden 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 ontwarren met behulp van gecorreleerde fotoluminescentie- en absorptiespectra.

“Zoveel factoren kunnen de opto-elektronische eigenschappen van 2D-materialen beïnvloeden, waaronder het type substraat, extra doping, spanning, de aanwezigheid van rimpels, defecten en omgevingsmoleculen – noem maar op”, zei Dr. Pavel Kolesnichenko (nu een postdoc aan de universiteit van Lund). “De verhuizing naar een multidimensionale parametrische ruimte leek dus een logische 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 datagestuurde wetenschap en technologie hopen de auteurs dat hun onderzoek de aanzet zal geven tot het creëren van een grote dataset met labels, waar labels (zoals ‘doping’, ‘stam’, enz.) Zouden 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 denken dat hun werk zal helpen bij het introduceren van normen voor de karakterisering van monolaag materie, waarmee het moment van grootschalig gebruik van energiezuinige smartphones en computers in de toekomst nadert.