Durante mucho tiempo, los superconductores se han considerado el enfoque principal para realizar electrónica sin resistividad. En la última década, una nueva familia de materiales cuánticos, "materiales topológicos", ha ofrecido un medio alternativo pero prometedor para lograr la electrónica sin disipación (o pérdida) de energía. En comparación con los superconductores, los materiales topológicos ofrecen algunas ventajas, como la robustez frente a las perturbaciones. Para lograr los estados electrónicos sin disipación, una ruta clave es el llamado "efecto de proximidad magnética", que ocurre cuando el magnetismo penetra ligeramente en la superficie de un material topológico. Sin embargo, observar el efecto de proximidad ha sido un desafío.

El problema, según Zhantao Chen, un Ph.D. en ingeniería mecánica. estudiante del MIT, "es que la señal que la gente está buscando que indicaría la presencia de este efecto suele ser demasiado débil para detectarla de manera concluyente con los métodos tradicionales". Es por eso que un equipo de científicos, con sede en el MIT, la Universidad Estatal de Pensilvania y el Instituto Nacional de Estándares y Tecnología, decidió probar un enfoque no tradicional, que terminó arrojando resultados sorprendentemente buenos.

Qué hay debajo y entre las capas

Durante los últimos años, los investigadores se han basado en una técnica conocida como reflectometría de neutrones polarizados (PNR) para sondear la estructura magnética dependiente de la profundidad de los materiales multicapa, así como para buscar fenómenos como el efecto de proximidad magnética. En PNR, dos haces de neutrones polarizados con espines opuestos se reflejan en la muestra y se recogen en un detector. "Si el neutrón encuentra un flujo magnético, como el que se encuentra dentro de un material magnético, que tiene la orientación opuesta, cambiará su estado de giro, lo que dará como resultado diferentes señales medidas desde los haces de neutrones de giro hacia arriba y hacia abajo", explica Nina Andrejevic. , Doctor. en ciencia e ingeniería de materiales. Como resultado, el efecto de proximidad se puede detectar si se muestra que una capa delgada de un material normalmente no magnético, colocada inmediatamente adyacente a un material magnético, se magnetiza.

Pero el efecto es muy sutil, se extiende solo alrededor de 1 nanómetro de profundidad, y pueden surgir ambigüedades y desafíos cuando se trata de interpretar los resultados experimentales. "Al incorporar el aprendizaje automático en nuestra metodología, esperábamos obtener una imagen más clara de lo que está sucediendo", señala Mingda Li, profesor de desarrollo profesional de Norman C. Rasmussen en el Departamento de Ciencia e Ingeniería Nuclear que dirigió el equipo de investigación. Esa esperanza se cumplió y los hallazgos del equipo se publicaron el 17 de marzo en un artículo en Applied Physics Review. .

Los investigadores estudiaron un aislante topológico, un material que es eléctricamente aislante en su interior pero que puede conducir corriente eléctrica en la superficie. Decidieron centrarse en un sistema de materiales en capas que comprende el seleniuro de bismuto aislador topológico (Bi₂ Se₃ ) en interfaz con el aislante ferromagnético sulfuro de europio (EuS). Bi₂ Se₃ es, en sí mismo, un material no magnético, por lo que la capa EuS magnética domina la diferencia entre las señales medidas por los dos haces de neutrones polarizados. Sin embargo, con la ayuda del aprendizaje automático, los investigadores pudieron identificar y cuantificar otra contribución a la señal del PNR:la magnetización inducida en el Bi₂. Se₃ en la interfaz con la capa EuS contigua. "Los métodos de aprendizaje automático son muy efectivos para obtener patrones subyacentes a partir de datos complejos, lo que hace posible discernir efectos sutiles como el del magnetismo de proximidad en la medición del PNR", dice Andrejevic.

Cuando la señal PNR se alimenta por primera vez al modelo de aprendizaje automático, es muy complejo. El modelo puede simplificar esta señal para que el efecto de proximidad se amplifique y, por lo tanto, se vuelva más notorio. Usando esta representación reducida de la señal PNR, el modelo puede cuantificar la magnetización inducida, lo que indica si se observa o no el efecto de proximidad magnética, junto con otros atributos del sistema de materiales, como el grosor, la densidad y la rugosidad de las capas constituyentes.

Mejor visualización a través de IA

"Hemos reducido la ambigüedad que surgió en los análisis anteriores, gracias a la duplicación de la resolución lograda con el enfoque asistido por aprendizaje automático", dicen Leon Fan y Henry Heiberger, investigadores universitarios que participan en este estudio. Lo que eso significa es que pudieron discernir las propiedades de los materiales en escalas de longitud de 0,5 nm, la mitad de la extensión espacial típica del efecto de proximidad. Eso es similar a mirar escribir en una pizarra desde 20 pies de distancia y no poder distinguir ninguna de las palabras. Pero si pudiera reducir esa distancia a la mitad, podría leerlo todo.

El proceso de análisis de datos también se puede acelerar significativamente mediante la confianza en el aprendizaje automático. "En los viejos tiempos, podías pasar semanas jugando con todos los parámetros hasta que pudieras obtener la curva simulada que se ajustaba a la curva experimental", dice Li. "Puede tomar muchos intentos porque la misma señal [PNR] podría corresponder a diferentes combinaciones de parámetros".

"La red neuronal te da una respuesta de inmediato", agrega Chen. "No hay más conjeturas. No más prueba y error". Por esta razón, el marco se ha instalado en algunas líneas de luz de reflectometría para respaldar el análisis de tipos más amplios de materiales.

Algunos observadores externos han elogiado el nuevo estudio, que es el primero en evaluar la eficacia del aprendizaje automático para identificar el efecto de proximidad y uno de los primeros paquetes basados ​​en aprendizaje automático utilizados para el análisis de datos PNR. "El trabajo de Andrejevic et al. ofrece una ruta alternativa para capturar los detalles finos en los datos PNR, mostrando cómo se puede lograr una resolución más alta de manera consistente", dice Kang L. Wang, profesor distinguido y presidente de la cátedra Raytheon en ingeniería eléctrica de la Universidad de California. en Los Ángeles.

"Este es realmente un avance emocionante", comenta Chris Leighton, profesor distinguido de la Universidad McKnight en la Universidad de Minnesota. "Su nuevo enfoque de aprendizaje automático no solo podría acelerar en gran medida este proceso, sino también extraer aún más información sobre los materiales de los datos disponibles".

El grupo dirigido por el MIT ya está considerando ampliar el alcance de sus investigaciones. "El efecto de proximidad magnética no es el único efecto débil que nos preocupa", dice Andrejevic. "El marco de aprendizaje automático que hemos desarrollado es fácilmente transferible a diferentes tipos de problemas, como el efecto de proximidad superconductora, que es de gran interés en el campo de la computación cuántica". + Explora más

Unión de aisladores topológicos con materiales magnéticos para electrónica energéticamente eficiente

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.