Así como Terminator-800 de James Cameron pudo discriminar entre "ropa, botas, y una moto, "El aprendizaje automático podría identificar diferentes áreas de interés en materiales 2-D.

Lo simple, Identificación óptica automatizada de áreas físicas fundamentalmente diferentes en estos materiales (por ejemplo, áreas que muestran dopaje, cepa, y desorden electrónico) podría acelerar significativamente la ciencia de los materiales atómicamente delgados.

Las capas de materia atómicamente delgadas (o 2-D) son una nueva, clase emergente de materiales que servirán como base para la computación eficiente en energía de próxima generación, optoelectrónica y futuros teléfonos inteligentes.

"Sin ninguna supervisión, Los algoritmos de aprendizaje automático pudieron discriminar entre áreas perturbadas de manera diferente en un material semiconductor 2-D, "explica el autor principal, el Dr. Pavel Kolesnichenko." Esto puede llevar a caracterización asistida por máquina de materiales 2-D en el futuro, acelerar la aplicación de estos materiales en teléfonos inteligentes de baja energía de próxima generación ".

Automatización que abre el campo de los materiales atómicamente delgados

Después del éxito de 2004 de una sola capa de grafito de lápiz (grafeno) como un material semimetálico maravilloso con muchas propiedades peculiares, Los científicos de todo el mundo se dieron cuenta de que otros materiales en capas también se pueden diluir a una sola capa (una 'monocapa').

Desde entonces, se han obtenido decenas de otras monocapas, incluidos los metales, semiconductores, aisladores, y materiales cuánticos más exóticos como aislantes topológicos, superconductores y ferromagnetos.

Teniendo este zoológico monocapa a su disposición, Los científicos de materiales los han usado como bloques "LEGO":por ejemplo, apilándolos en muchas combinaciones diferentes para construir transistores de próxima generación, baterías células de memoria y fotodiodos.

Todos estos dispositivos sin embargo, se han ensamblado manualmente y existen como prototipos únicos. Todavía queda un largo camino hacia su producción y comercialización a escala industrial.

Varios factores contribuyen a obstaculizar el progreso. Primero está la falta de control total sobre la fabricación de materiales monocapa. Además, Las técnicas de caracterización actuales son complicadas y requieren el ojo de un investigador experimentado. Finalmente, debido a la extrema delgadez de los materiales, estos últimos son extremadamente sensibles a diversas perturbaciones, muchos de los cuales se introducen involuntariamente. Comprender estas perturbaciones no es una tarea trivial, ya que pueden tener un efecto combinado y deben desenredarse.

El Dr. Pavel Kolesnichenko y el Prof. Jeffrey Davis (Universidad Tecnológica de Swinburne) se dieron cuenta de que la ingrata tarea de caracterización de materiales 2-D podía llevarse a cabo mediante máquinas de manera rápida y automatizada.

"Para comprender el impacto de las diferentes perturbaciones y minimizar o controlar su presencia, es importante poder identificarlos y su distribución espacial de forma rápida y fiable, "dijo el profesor Davis, quien es investigador principal del Centro de Excelencia ARC en Tecnologías Futuras de Electrónica de Bajo Consumo (FLEET).

Trabajando con el colega de FLEET, el profesor Michael Fuhrer (Universidad de Monash), aplicaron algoritmos de aprendizaje automático sin supervisión para caracterizar la monocapa semiconductora de disulfuro de tungsteno. Los datos se adquirieron mediante un aparato sencillo que incluía un microscopio y un espectrómetro. Luego, los algoritmos de aprendizaje pudieron discriminar entre las áreas de una escama monocapa afectadas por el dopaje, cepa, trastorno, y la presencia de capas adicionales.

Esta es la primera vez que se lleva a cabo un desenredo tan sistemático de estas perturbaciones.

La tarea se logró incrustando los datos adquiridos en un espacio de parámetros multidimensional construido artificialmente. Luego se permitió que los algoritmos de aprendizaje encontraran una manera de visualizar los datos en dos dimensiones comprensibles y de la manera más representativa, donde cada perturbación formó su propio grupo de datos.

El equipo se basó en resultados científicos previos en el campo, incluida su publicación anterior, donde desenredaron perturbaciones usando espectros de fotoluminiscencia y absorción correlacionados.

"Muchos factores pueden afectar las propiedades optoelectrónicas de los materiales 2-D, incluyendo el tipo de sustrato, dopaje adicional, cepa, la presencia de arrugas, defectos y moléculas ambientales, lo que sea, ", dijo el Dr. Pavel Kolesnichenko (ahora un postdoctorado en la Universidad de Lund)". mudarse a un espacio paramétrico multidimensional parecía ser el siguiente paso natural ".

"También esperamos que la investigación motive a los científicos a aplicar ideas similares a otros materiales 2-D y usar otras modalidades de imágenes, "dice Pavel.

En la era de la ciencia y la tecnología basadas en datos, los autores esperan que su investigación motive la creación de un gran conjunto de datos etiquetados, donde las etiquetas (como 'dopaje, " 'cepa, ", etc.) serían asignados por investigadores experimentados. Este conjunto de datos se usaría luego para entrenar redes neuronales profundas para caracterizar materiales 2-D en una fracción de segundo. Los investigadores creen que su trabajo ayudará a introducir estándares para la caracterización de materia monocapa , acercándose al momento del uso a gran escala de teléfonos inteligentes y computadoras de bajo consumo energético en el futuro.