Illustrationen visar ett experiment som riktar en ultraskarp sond över ett 2D-material, som fångar den lokala atomära och elektroniska strukturen, som styrs via autonom upptäckt. Kredit:John C. Thomas
Tvådimensionella material, som består av ett enda lager av atomer, uppvisar ovanliga egenskaper som skulle kunna utnyttjas för ett brett spektrum av kvant- och mikroelektroniksystem. Men det som gör dem riktigt speciella är deras brister. "Det är där deras sanna magi ligger", säger Alexander Weber-Bargioni vid Department of Energy Lawrence Berkeley National Laboratory (Berkeley Lab). Defekter ner till atomnivå kan påverka materialets makroskopiska funktion och leda till nya kvantbeteenden, och det finns så många typer av defekter att forskare knappt har börjat förstå möjligheterna. En av de största utmaningarna inom området är att systematiskt studera dessa defekter i relevanta skalor, eller med atomär upplösning.
Artificiell intelligens föreslår en väg framåt. Forskare vid Berkeley Lab presenterade nyligen ett nytt, snabbt och lätt reproducerbart sätt att kartlägga och identifiera defekter i tvådimensionella material. Den använder konvolutionella neurala nätverk, som är en tillämpning av artificiell intelligens, för att snabbt analysera data från autonoma experiment, som på senare år har blivit ett kraftfullt verktyg för att avbilda dessa exotiska material.
"Defekter kan användas med fördel, eller så kan de orsaka problem med materialets makroskopiska funktion", säger John Thomas, en postdoktor i Weber-Bargioni-gruppen vid Molecular Foundry, en DOE Office of Science-användaranläggning vid Berkeley Lab där denna forskning utfördes. Thomas utarbetade metoden som kopplar AI med autonom upptäckt. "Denna kombination ger oss ett bra sätt att screena för defekter och mäta dem", sa han. Metoden kan dramatiskt minska den tid som krävs för att karakterisera tvådimensionella material och använda dem i nästa generations kvant- och elektroniska enheter. Forskarna rapporterade sin forskning i en artikel publicerad i npj Computational Materials .
Att förstå fasta ämnens kvantegenskaper har möjliggjort banbrytande teknologier under decennierna, såsom transistorn och lasern. Nu, när forskare ägnar sig åt andra tillämpningar som utnyttjar kvantinformationsvetenskap, såsom kvantavkänning och beräkningar, är det viktigt att bättre förstå ett fenomen i fasta ämnen som kallas kvantkoherens. Detta är fokus för Center for Novel Pathways to Quantum Coherence in Materials (NPQC), ett Energy Frontier Research Center (EFRC) som leds av Berkeley Lab. Centrets mål är att dramatiskt förbättra forskarnas förståelse och kontroll av koherens i fasta ämnen, vilket kan leda till nya enheter och applikationer. Och en stor del av detta arbete är att studera ett materials små brister.
I denna specifika forskning, som stöddes av NPQC EFRC, samarbetade Thomas och Weber-Bargioni, som är co-PI i EFRC, med Marcus Noack från Berkeley Labs avdelning för tillämpad matematik och beräkningsforskning. Noack, som är ledare för autonoma, självkörande experiment vid Berkeley Labs Center for Advanced Mathematics for Energy Research Applications (CAMERA), utvecklade gpCAM, systemet som används för autonoma experiment. Gruppen testade sitt AI-förbättrade tillvägagångssätt på material tillverkat av ett enda lager volframdisulfid (WS2) odlat på ett substrat av grafen och kiselkarbid.
Att samla in högupplösta spektroskopiska data om svavelvakanser (en sorts defekt) i ett kvadratiskt prov av materialet som mäter 125×125 pixlar skulle kräva ungefär 23 dagar med den konventionella metoden för skanning av tunnelmikroskopi (STM). STM erbjuder ett kraftfullt sätt att samla in spektroskopisk ytinformation och koppla den till makroskopiska fenomen, men att skapa en fullständig spektral bild, sa Thomas, kan ofta kompliceras av ett antal faktorer som kan uppstå under så lång tid.
Ett 2D-materialprov som hålls i ett ultrahögt vakuum, lågtemperatur-skanningssondmikroskop. Kredit:Marilyn Sargent/Berkeley Lab
Att minska den tid som behövs för att skaffa data kan minska risken för dessa komplikationer. Genom att kombinera STM-mätningar med verktyg för maskininlärning minskade det nya tillvägagångssättet avbildningstiden till cirka 8 timmar.
"Från ungefär tre veckor ner till en tredjedel av en dag," sa Thomas. "Det är ett bra steg framåt."
WS2 är en övergångsmetalldikalkogenid (TMD), ett material med egenskaper som gör det tilltalande för tillämpningar som kvantemitter, enheter som kan producera en enda foton åt gången och som kan leda till andra kvanttillämpningar. Dessutom antyder defekter som lediga platser i TMD exotiska nya sätt att manipulera elektroner och fotoner i elektroniska enheter.
Men WS2 är bara början. Den nya tekniken kan användas för att generera högdimensionella ytdata på nästan alla typer av tvådimensionellt material, sa Thomas, och leda till den typ av systematisk högupplöst studie som fältet behöver. Dessutom kan metoden utvidgas bortom STM till andra spektroskopiska tekniker, inklusive atomkraftspektroskopi, foto STM och i ultrasnabb STM. Det är tillgängligt för allmänheten som ett mjukvarupaket med öppen åtkomst som kallas gpSTS, där Thomas är huvudutvecklaren.
"Förhoppningsvis har vi skapat ett verktyg som vem som helst kan dra upp och lägga till de flesta STM där ute," sa Thomas. "För min egen del kommer vi att fortsätta fördjupa oss i olika kvantmaterial och nya och nya defekter."
Maskininlärningskomponenten i denna forskning drog nytta av expertis från CAMERA, som syftar till att leverera den grundläggande nya matematiken som krävs för att dra nytta av experimentella undersökningar vid vetenskapliga anläggningar. + Utforska vidare