这项研究由斯威本科技大学的帕维尔·科列斯尼琴科博士(现在是隆德大学的博士后)领导。
将机器学习应用于原子薄材料的自动表征
就像詹姆斯·卡梅隆的终结者-800能够区分“衣服、靴子和摩托车”一样，机器学习可以在2D材料上识别出感兴趣的不同区域。
对这些材料上根本不同的物理区域进行简单、自动化的光学识别(例如，显示掺杂、应变和电子无序的区域)可以显著加速原子薄材料的科学研究。
原子薄(或2D)物质层是一种新兴的材料，将作为下一代节能计算、光电子学和未来智能手机的基础。
“在没有任何监督的情况下，机器学习算法能够区分二维半导体材料上不同的扰动区域，”主要作者Pavel Kolesnichenko博士解释道。“这可以在未来实现对二维材料的快速、机器辅助表征，加速这些材料在下一代低能耗智能手机中的应用。”
自动化开辟了原子薄材料领域
2004年，单层铅笔石墨(石墨烯)作为一种具有许多特殊性质的神奇半金属材料获得成功后，世界各地的科学家们意识到，其他分层材料也可以被薄到单层(“单层”)。
通讯作者Jeff Davis教授(斯威本科技大学)
从那以后，人们又获得了几十种其他的单层材料，包括金属、半导体、绝缘体和更奇特的量子材料，如拓扑绝缘体、超导体和铁磁体。
有了这种单层动物园，材料科学家们就像使用“乐高”积木一样使用它们:例如，将它们以许多不同的组合方式堆叠起来，以构建下一代晶体管、电池、存储单元和光电二极管。
然而，所有这些设备都是手工组装的，只是一次性的原型。它们的工业化生产和商业化还有很长的路要走。
有几个因素阻碍了进步。首先是缺乏对单层材料制造的完全控制。此外，目前的特征技术是复杂的，需要有经验的研究人员的眼睛。最后，由于材料极薄，后者对各种扰动极其敏感，其中许多扰动是无意中引入的。理解这些扰动不是一项简单的任务，因为它们可能会产生综合效应，必须将其解开。
不同实验参数之间的相关性有助于识别导致二维材料光学和电子特性变化的特定缺陷
Pavel Kolesnichenko博士和Jeffrey Davis教授(斯威本科技大学)意识到，二维材料表征这一不值得感激的任务可以由机器以快速和自动化的方式完成。
“为了了解不同扰动的影响并最小化或控制它们的存在，能够快速可靠地识别它们及其空间分布是很重要的，”戴维斯教授说，他是ARC未来低能电子技术卓越中心(FLEET)的首席研究员。
他们与FLEET的同事Michael Fuhrer教授(莫纳什大学)合作，应用无监督机器学习算法来表征二硫化钨的半导体单层。数据是由包括显微镜和光谱仪在内的简单仪器获得的。然后，学习算法能够区分单层薄片上受掺杂、应变、无序和附加层存在影响的区域。
这是第一次对这些扰动进行如此系统的解缠。
该任务通过将采集到的数据嵌入到人工构建的多维参数空间中来完成。然后，学习算法可以找到一种方法，以可理解的二维和最具代表性的方式将数据可视化，其中每个扰动形成自己的数据集群。
该团队以该领域之前的科学成果为基础，包括他们的以前的出版物在那里，他们使用相关的光致发光和吸收光谱来解纠缠摄动。
帕维尔·科列斯尼琴科博士(现为隆德大学博士后)说:“有很多因素会影响二维材料的光电特性，包括衬底类型、额外掺杂、应变、褶皱、缺陷和环境分子——你能想到的都有。”“因此，转移到多维参数空间似乎是一个自然的下一步。”
帕维尔说:“我们也希望这项研究能激励科学家们将类似的想法应用到其他二维材料和使用其他成像方式上。”
在数据驱动的科学技术时代，作者希望他们的研究将激励创建一个大型标签数据集，其中标签(如“兴奋剂”、“菌株”等)将由有经验的研究人员分配。然后，该数据集将用于训练深度神经网络，在几分之一秒内表征2D材料。研究人员相信他们的工作将有助于引入描述单层物质的标准，接近未来大规模使用低能耗智能手机和电脑的时刻。
这项研究
”二硫化钨单层激子光谱的多维分析:二维材料结构和环境扰动的计算机辅助识别于2021年2月发表在《机器学习:科学与技术》杂志上。(DOI: 10.1088 / 2632 - 2153 / abd87c)
”用光谱学方法研究了单分子WS2中掺杂、应变和无序的影响于2020年1月发表在《2D Materials》上。(DOI: 10.1088 / 2053 - 1583 / ab626a)
更多的信息
- 联系Jeff Davis教授(斯威本科技大学)jdavis@swin.edu.au
- 读FLEET研究主题3新闻:light-transformed材料
- 读启用技术一条新闻:开发新型材料
- 连接我们在@FLEETCentre