Los materiales bidimensionales, que consisten en una sola capa de átomos, exhiben propiedades inusuales que podrían aprovecharse para una amplia gama de sistemas cuánticos y microelectrónicos. Pero lo que los hace verdaderamente especiales son sus defectos. "Ahí es donde radica su verdadera magia", dijo Alexander Weber-Bargioni en el Laboratorio Nacional Lawrence Berkeley del Departamento de Energía (Berkeley Lab). Los defectos hasta el nivel atómico pueden influir en la función macroscópica del material y conducir a nuevos comportamientos cuánticos, y hay tantos tipos de defectos que los investigadores apenas han comenzado a comprender las posibilidades. Uno de los mayores desafíos en el campo es estudiar sistemáticamente estos defectos a escalas relevantes o con resolución atómica.

La inteligencia artificial sugiere un camino a seguir. Investigadores de Berkeley Lab dieron a conocer recientemente una forma nueva, rápida y fácilmente reproducible de mapear e identificar defectos en materiales bidimensionales. Utiliza redes neuronales convolucionales, que son una aplicación de inteligencia artificial, para analizar rápidamente datos de experimentos autónomos, que en los últimos años se han convertido en una poderosa herramienta para obtener imágenes de estos materiales exóticos.

"Los defectos se pueden usar de manera ventajosa o pueden causar problemas con la función macroscópica del material", dijo John Thomas, investigador postdoctoral en el Grupo Weber-Bargioni en Molecular Foundry, una instalación para usuarios de la Oficina de Ciencias del DOE en Berkeley Lab. donde se realizó esta investigación. Thomas ideó el enfoque que combina la IA con el descubrimiento autónomo. "Esta combinación nos brinda una buena manera de detectar defectos y medirlos", dijo. El método podría reducir drásticamente el tiempo necesario para caracterizar materiales bidimensionales y utilizarlos en dispositivos electrónicos y cuánticos de próxima generación. Los científicos informaron sobre su investigación en un artículo publicado en npj Computational Materials .

Comprender las propiedades cuánticas de los sólidos ha permitido tecnologías revolucionarias durante décadas, como el transistor y el láser. Ahora, mientras los científicos buscan otras aplicaciones que aprovechan la ciencia de la información cuántica, como la detección y la computación cuánticas, es fundamental comprender mejor un fenómeno en los sólidos llamado coherencia cuántica. Este es el enfoque del Center for Novel Pathways to Quantum Coherence in Materials (NPQC), un Energy Frontier Research Center (EFRC) dirigido por Berkeley Lab. El objetivo del centro es mejorar drásticamente la comprensión y el control de la coherencia en los sólidos por parte de los científicos, lo que podría conducir a nuevos dispositivos y aplicaciones. Y una gran parte de este trabajo consiste en estudiar los pequeños defectos de un material.

En esta investigación específica, que fue apoyada por NPQC EFRC, Thomas y Weber-Bargioni, quien es co-PI en EFRC, colaboraron con Marcus Noack de la División de Investigación Computacional y Matemáticas Aplicadas de Berkeley Lab. Noack, líder de experimentos autónomos de conducción autónoma en el Centro de Matemáticas Avanzadas para Aplicaciones de Investigación Energética (CAMERA) de Berkeley Lab, desarrolló gpCAM, el sistema utilizado para experimentos autónomos. El grupo probó su enfoque mejorado con IA en material hecho de una sola capa de disulfuro de tungsteno (WS2) cultivada en un sustrato de grafeno y carburo de silicio.

La recopilación de datos espectroscópicos de alta resolución sobre las vacantes de azufre (un tipo de defecto) en una muestra cuadrada del material que mide 125 × 125 píxeles requeriría aproximadamente 23 días utilizando el enfoque convencional de microscopía de túnel de barrido (STM). STM ofrece una forma poderosa de recopilar información de superficie espectroscópica y conectarla con fenómenos macroscópicos, pero la creación de una imagen espectral completa, dijo Thomas, a menudo puede ser complicada por una serie de factores que pueden surgir durante tanto tiempo.

Reducir el tiempo necesario para adquirir los datos podría reducir el riesgo de esas complicaciones. Al combinar mediciones STM con herramientas de aprendizaje automático, el nuevo enfoque redujo el tiempo de obtención de imágenes a unas 8 horas.

"Desde unas tres semanas hasta un tercio de un día", dijo Thomas. "Es un buen salto adelante".

WS2 es un dicalcogenuro de metal de transición (TMD), un material con propiedades que lo hacen atractivo para aplicaciones como emisores cuánticos, dispositivos que pueden producir un solo fotón a la vez y que podrían conducir a otras aplicaciones cuánticas. Además, defectos como las vacantes de azufre en los TMD apuntan a formas nuevas y exóticas de manipular electrones y fotones en dispositivos electrónicos.

Pero WS2 es solo el comienzo. La nueva técnica podría usarse para generar datos de superficie de alta dimensión en casi cualquier tipo de material bidimensional, dijo Thomas, y conducir al tipo de estudio sistemático de alta resolución que necesita el campo. Además, el método puede extenderse más allá de la STM a otras técnicas espectroscópicas, incluida la espectroscopia de fuerza atómica, la STM fotográfica y la STM ultrarrápida. Está disponible para uso público como un paquete de software de acceso abierto llamado gpSTS, donde Thomas es el desarrollador principal.

"Ojalá hayamos creado una herramienta que cualquiera pueda usar y agregar a la mayoría de los STM", dijo Thomas. "Por mi parte, seguiremos profundizando en diferentes materiales cuánticos y defectos nuevos y novedosos".

El componente de aprendizaje automático de esta investigación se benefició de la experiencia de CAMERA, cuyo objetivo es brindar las nuevas matemáticas fundamentales necesarias para capitalizar las investigaciones experimentales en las instalaciones científicas. + Explora más

An electrical trigger fires single, identical photons