Precis som James Camerons Terminator-800 kunde skilja mellan "kläder, stövlar, och en motorcykel, " Maskininlärning kan identifiera olika intresseområden för 2D-material.

Den enkla, automatiserad optisk identifiering av fundamentalt olika fysiska områden på dessa material (t.ex. områden som uppvisar doping, anstränga, och elektronisk störning) kan avsevärt påskynda vetenskapen om atomärt tunna material.

Atomtunna (eller 2D) lager av materia är en ny, framväxande klass av material som kommer att fungera som grunden för nästa generations energieffektiva datorer, optoelektronik och framtida smarta telefoner.

"Utan övervakning, maskininlärningsalgoritmer kunde skilja mellan olika störda områden på ett 2-D halvledande material, " förklarar huvudförfattaren Dr. Pavel Kolesnichenko. "Detta kan leda till snabba, maskinstödd karakterisering av 2D-material i framtiden, påskynda tillämpningen av dessa material i nästa generations lågenergismarttelefoner."

Automatisering öppnar upp området för atomärt tunna material

Efter framgången 2004 med ett enda lager av blyertsgrafit (grafen) som ett underbart semimetalliskt material med många säregna egenskaper, forskare runt om i världen insåg att andra skiktade material också kan tunnas ut till ett enda lager (ett "enkellager").

Sedan dess, dussintals andra monolager har erhållits, inklusive metaller, halvledare, isolatorer, och mer exotiska kvantmaterial som topologiska isolatorer, supraledare och ferromagneter.

Att ha detta monolager-zoo till sitt förfogande, materialforskare har använt dem som "LEGO"-block:till exempel staplat dem i många olika kombinationer för att konstruera nästa generations transistorer, batterier, minnesceller och fotodioder.

Alla dessa enheter, dock, har monterats manuellt och finns som engångsprototyper. Det är fortfarande en lång väg mot deras industriella produktion och kommersialisering.

Flera faktorer bidrar till att hindra framstegen. För det första är bristen på full kontroll över tillverkningen av monolagermaterial. Dessutom, nuvarande karaktäriseringstekniker är komplicerade och kräver ögat av en erfaren forskare. Till sist, på grund av materialens extrema tunnhet, de senare är extremt känsliga för olika störningar, av vilka många införs oavsiktligt. Att förstå dessa störningar är en icke-trivial uppgift, eftersom de kan ha en kombinerad effekt och måste lossas.

Dr. Pavel Kolesnichenko och prof Jeffrey Davis (Swinburne University of Technology) insåg att den otacksamma uppgiften att karakterisera 2D-material kunde utföras av maskiner på ett snabbt och automatiserat sätt.

"För att förstå effekterna av olika störningar och minimera eller kontrollera deras närvaro, det är viktigt att snabbt och tillförlitligt kunna identifiera dem och deras rumsliga fördelning, " sa prof Davis, som är chefsutredare vid ARC Center of Excellence in Future Low-Energy Electronics Technologies (FLEET).

Arbetar med FLEET-kollegan Prof Michael Fuhrer (Monash University), de tillämpade oövervakade maskininlärningsalgoritmer för att karakterisera det halvledande monoskiktet av volframdisulfid. Data insamlades med en enkel apparat som involverade ett mikroskop och en spektrometer. Inlärningsalgoritmerna kunde sedan skilja mellan områdena på en enkelskiktsflaka som påverkats av dopning, anstränga, oordning, och närvaron av ytterligare lager.

Detta är första gången en sådan systematisk lösgöring av dessa störningar har utförts.

Uppgiften utfördes genom att bädda in den förvärvade datan i ett artificiellt konstruerat flerdimensionellt parameterutrymme. Inlärningsalgoritmer fick sedan hitta ett sätt att visualisera data i begripliga två dimensioner och på det mest representativa sättet, där varje störning bildade sitt eget datakluster.

Teamet byggde på tidigare vetenskapliga resultat inom området inklusive deras tidigare publikation, där de lösgjorde störningar med hjälp av korrelerade fotoluminescens- och absorptionsspektra.

"Så många faktorer kan påverka optoelektroniska egenskaper hos 2D-material, inklusive typen av substrat, ytterligare dopning, anstränga, närvaron av rynkor, defekter, och miljömolekyler — you name it, " sa Dr. Pavel Kolesnichenko (nu postdoc vid Lunds universitet). att flytta till ett flerdimensionellt parametriskt utrymme verkade vara ett naturligt nästa steg."

"Vi hoppas också att forskningen kommer att motivera forskare att tillämpa liknande idéer på andra 2D-material och att använda andra bildbehandlingsmetoder, säger Pavel.

I en tid präglad av datadriven vetenskap och teknik, författarna hoppas att deras forskning kommer att motivera skapandet av en stor märkt dataset, där etiketter (som "doping, "'anstränga, " etc) skulle tilldelas av erfarna forskare. Denna datauppsättning skulle sedan användas för att träna djupa neurala nätverk för att karakterisera 2-D-material på en bråkdel av en sekund. Forskarna tror att deras arbete kommer att bidra till att introducera standarder för karakterisering av monolagermaterial , närmar sig ögonblicket för storskalig användning av smarta telefoner och datorer med låg energi i framtiden.