Ett team av forskare från TU Delft lyckades designa en av världens mest precisa mikrochipsensorer. Enheten kan fungera vid rumstemperatur - en "helig gral" för kvantteknik och avkänning. Genom att kombinera nanoteknik och maskininlärning inspirerad av naturens spindelnät kunde de få en nanomekanisk sensor att vibrera extremt isolerad från vardagsljud. Detta genombrott, publicerat i Advanced Materials Rising Stars Issue, har implikationer för studiet av gravitation och mörk materia samt områdena kvantinternet, navigering och avkänning.

En av de största utmaningarna för att studera vibrerande föremål i minsta skala, som de som används i sensorer eller kvanthårdvara, är hur man förhindrar att omgivande termiskt brus interagerar med deras ömtåliga tillstånd. Quantum-hårdvara till exempel hålls vanligtvis vid temperaturer nära absolut noll (−273,15°C), och kylskåp kostar en halv miljon euro styck. Forskare från TU Delft skapade en webbformad mikrochipssensor som resonerar extremt bra isolerat från rumstemperaturbrus. Bland andra applikationer kommer deras upptäckt att göra det mycket billigare att bygga kvantenheter.

Lifta om evolution

Richard Norte och Miguel Bessa, som ledde forskningen, letade efter nya sätt att kombinera nanoteknik och maskininlärning. Men hur kom de på idén att använda spindelnät som modell? Richard Norte:"Jag har gjort det här arbetet redan i ett decennium när jag under lockdown märkte många spindelnät på min terrass. Jag insåg att spindelnät är riktigt bra vibrationsdetektorer, eftersom de vill mäta vibrationer inuti nätet för att hitta deras byte, men inte utanför det, som vind genom ett träd. Så varför inte lifta på miljontals år av evolution och använda ett spindelnät som en första modell för en ultrakänslig enhet?"

Eftersom teamet inte visste något om spindelnäts komplexitet, lät de maskininlärning styra upptäcktsprocessen. Miguel Bessa:"Vi visste att experimenten och simuleringarna var dyra och tidskrävande, så med min grupp bestämde vi oss för att använda en algoritm som kallas Bayesiansk optimering, för att hitta en bra design med några få försök." Dongil Shin, medförfattare i detta arbete, implementerade sedan datormodellen och använde maskininlärningsalgoritmen för att hitta den nya enhetsdesignen.

Mikrochipsensor baserad på spindelnät

Till forskarens förvåning föreslog algoritmen ett relativt enkelt spindelnät av 150 olika spindelnätsdesigner, som består av endast sex strängar sammansatta på ett bedrägligt enkelt sätt. Bessa:"Dongils datorsimuleringar visade att den här enheten kunde fungera i rumstemperatur, där atomer vibrerar mycket, men ändå har en otroligt låg mängd energi som läcker in från omgivningen – en högre kvalitetsfaktor med andra ord. Med maskininlärning och optimering lyckades vi anpassa Richards spindelnätskoncept till denna mycket bättre kvalitetsfaktor."

Baserat på denna nya design byggde den första författaren Andrea Cupertino en mikrochipsensor med en ultratunn, nanometertjock film av keramiskt material som kallas kiselnitrid. Teamet testade modellen genom att kraftfullt vibrera mikrochippets "nät" och mäta tiden det tog för vibrationerna att sluta. Resultatet var spektakulärt:en rekordstor isolerad vibration vid rumstemperatur. Norte:"Vi hittade nästan ingen energiförlust utanför vår mikrochipsväv:vibrationerna rör sig i en cirkel på insidan och berör inte utsidan. Det är ungefär som att ge någon en enda knuff på en gunga och låta dem svänga på i nästan ett sekel utan uppehåll."

Konsekvenser för grundläggande och tillämpad vetenskap

Med sin spindelnätsbaserade sensor visar forskarna hur denna tvärvetenskapliga strategi öppnar en väg till nya genombrott inom vetenskapen, genom att kombinera bioinspirerad design, maskininlärning och nanoteknik. Detta nya paradigm har intressanta implikationer för kvantinternet, avkänning, mikrochipsteknologier och grundläggande fysik – utforskar till exempel ultrasmå krafter, som gravitation eller mörk materia som är notoriskt svåra att mäta. Enligt forskarna hade upptäckten inte varit möjlig utan universitetets Cohesion-anslag, vilket ledde till detta samarbete mellan nanoteknik och maskininlärning. + Utforska vidare

Förstå kvanteffekter med ändlig temperatur bättre med maskininlärning