Supraledare har länge ansetts vara den huvudsakliga metoden för att realisera elektronik utan resistivitet. Under det senaste decenniet har en ny familj av kvantmaterial, "topologiska material", erbjudit ett alternativt men lovande sätt för att uppnå elektronik utan energiförlust (eller förlust). Jämfört med supraledare ger topologiska material några fördelar, såsom robusthet mot störningar. För att uppnå de avledningsfria elektroniska tillstånden är en nyckelväg den så kallade "magnetiska närhetseffekten", som uppstår när magnetism penetrerar något in i ytan av ett topologiskt material. Att observera närhetseffekten har dock varit utmanande.

Problemet, enligt Zhantao Chen, en maskiningenjör Ph.D. student vid MIT, "är att signalen folk letar efter som skulle indikera närvaron av denna effekt är vanligtvis för svag för att definitivt upptäcka med traditionella metoder." Det var därför ett team av forskare – baserat vid MIT, Pennsylvania State University och National Institute of Standards and Technology – bestämde sig för att prova ett otraditionellt tillvägagångssätt, vilket slutade med att ge förvånansvärt bra resultat.

Vad som ligger under och mellan lagren

Under de senaste åren har forskare förlitat sig på en teknik som kallas polariserad neutronreflektometri (PNR) för att undersöka den djupberoende magnetiska strukturen hos flerskiktiga material, samt för att leta efter fenomen som den magnetiska närhetseffekten. I PNR reflekteras två polariserade neutronstrålar med motsatta spinn från provet och samlas in på en detektor. "Om neutronen möter ett magnetiskt flöde, som det som finns inuti ett magnetiskt material, som har motsatt orientering, kommer den att ändra sitt spinntillstånd, vilket resulterar i olika signaler som mäts från snurrningen upp och snurrar ner neutronstrålarna", förklarar Nina Andrejevic , Ph.D. inom materialvetenskap och teknik. Som ett resultat kan närhetseffekten upptäckas om ett tunt lager av ett normalt icke-magnetiskt material – placerat omedelbart intill ett magnetiskt material – visar sig bli magnetiserat.

Men effekten är mycket subtil, sträcker sig bara cirka 1 nanometer på djupet, och oklarheter och utmaningar kan uppstå när det gäller att tolka experimentella resultat. "Genom att föra in maskininlärning i vår metodik hoppades vi på att få en tydligare bild av vad som händer", konstaterar Mingda Li, professor i karriärutveckling vid Norman C. Rasmussen vid institutionen för kärnvetenskap och teknik som ledde forskargruppen. Det hoppet besannades verkligen, och teamets resultat publicerades den 17 mars i en artikel i Applied Physics Review .

Forskarna undersökte en topologisk isolator - ett material som är elektriskt isolerande i sitt inre men som kan leda elektrisk ström på ytan. De valde att fokusera på ett skiktat materialsystem bestående av den topologiska isolatorn vismutselenid (Bi₂ Se₃ ) i gränssnitt med den ferromagnetiska isolatorn europiumsulfid (EuS). Bi₂ Se₃ är i sig ett omagnetiskt material, så det magnetiska EuS-skiktet dominerar skillnaden mellan signalerna som mäts av de två polariserade neutronstrålarna. Men med hjälp av maskininlärning kunde forskarna identifiera och kvantifiera ett annat bidrag till PNR-signalen – magnetiseringen som induceras i Bi₂ Se₃ vid gränssnittet med det angränsande EuS-skiktet. "Maskinlärningsmetoder är mycket effektiva för att framkalla underliggande mönster från komplexa data, vilket gör det möjligt att urskilja subtila effekter som närhetsmagnetism i PNR-mätningen", säger Andrejevic.

När PNR-signalen först matas till maskininlärningsmodellen är den mycket komplex. Modellen kan förenkla denna signal så att närhetseffekten förstärks och därmed blir mer iögonfallande. Genom att använda denna förminskade representation av PNR-signalen kan modellen sedan kvantifiera den inducerade magnetiseringen - vilket indikerar om den magnetiska närhetseffekten observeras eller inte - tillsammans med andra attribut hos materialsystemet, såsom tjockleken, densiteten och grovheten hos de ingående lagren.

Bättre se genom AI

"Vi har minskat tvetydigheten som uppstod i tidigare analyser, tack vare fördubblingen av upplösningen som uppnåtts med hjälp av maskininlärningsstödd metod", säger Leon Fan och Henry Heiberger, forskare på grundutbildningen som deltar i denna studie. Vad det betyder är att de kunde urskilja materialegenskaper på längdskalor på 0,5 nm, hälften av den typiska rumsliga omfattningen av närhetseffekt. Det är analogt med att titta på att skriva på en svart tavla på 20 fots avstånd och inte kunna urskilja något av orden. Men om du kunde halvera det avståndet så kanske du kan läsa hela.

Dataanalysprocessen kan också påskyndas avsevärt genom ett beroende av maskininlärning. "I gamla dagar kunde du ägna veckor åt att pilla med alla parametrar tills du kan få den simulerade kurvan att passa den experimentella kurvan," säger Li. "Det kan ta många försök eftersom samma [PNR]-signal kan motsvara olika kombinationer av parametrar."

"Det neurala nätverket ger dig ett svar direkt," tillägger Chen. "Det finns inga fler gissningar. Inga fler försök och misstag." Av denna anledning har ramverket installerats i några reflektometriska strållinjer för att stödja analysen av bredare materialtyper.

Vissa utomstående observatörer har lovordat den nya studien – som är den första som utvärderar effektiviteten av maskininlärning för att identifiera närhetseffekten, och bland de första maskininlärningsbaserade paketen som används för PNR-dataanalys. "Arbetet av Andrejevic et al. erbjuder en alternativ väg för att fånga de fina detaljerna i PNR-uppgifter, vilket visar hur högre upplösning konsekvent kan uppnås", säger Kang L. Wang, framstående professor och Raytheon-ordförande i elektroteknik vid University of California i Los Angeles.

"Det här är verkligen ett spännande framsteg", kommenterar Chris Leighton, den framstående McKnight University Professor vid University of Minnesota. "Deras nya tillvägagångssätt för maskininlärning kunde inte bara påskynda denna process avsevärt utan också pressa ut ännu mer materialinformation från tillgänglig data."

Den MIT-ledda gruppen överväger redan att utöka omfattningen av sina utredningar. "Den magnetiska närhetseffekten är inte den enda svaga effekten som vi bryr oss om", säger Andrejevic. "Maskininlärningsramverket som vi har utvecklat är lätt att överföra till olika typer av problem, till exempel den supraledande närhetseffekten, som är av stort intresse inom området kvantberäkning." + Utforska vidare

Sammanfoga topologiska isolatorer med magnetiska material för energieffektiv elektronik

Denna berättelse är återpublicerad med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.