“确定目标”:教学机器如何识别缺陷二维材料|弧卓越中心在未来的低能电子技术

帕维尔Kolesnichenko博士领导的这项研究是斯文本科技大学(现在隆德大学博士后)

将机器学习应用于自动化atomically-thin材料的描述

正如詹姆斯·卡梅隆的《终结者》- 800能够区分“衣服,靴子,摩托车”,机器学习识别不同领域感兴趣的二维材料。

简单,自动化光学识别从根本上不同的物理区域上这些材料(如区域显示掺杂、应变和电子障碍)可以显著加速atomically-thin材料的科学。

Atomically-thin(或2 d)层是一个新问题,新兴阶级的材料将成为下一代节能计算的基础,光电和未来的智能手机。

“没有任何监督机器学习算法能够区分不同的摄动区域二维半导体材料,”主要作者帕维尔Kolesnichenko博士解释说。“这可能导致快,计算机辅助二维材料的特性在未来,加速应用这些材料在下一代低能耗智能手机。”

在2004年成功的铅笔的单层石墨(石墨烯)作为一个奇迹semi-metallic材料具有许多独特的性质,世界各地的科学家意识到其他的材料也可以减少到一个层(“单层”)。

通讯作者教授杰夫•戴维斯(斯文本科技大学)

从那时起,许多其他层,包括金属、半导体、绝缘体、更奇特的量子材料,如topological-insulators,超导体和铁磁物质。

这种monolayer-zoo,材料科学家使用他们喜欢的乐高积木:例如叠加在许多不同的组合来构建下一代晶体管、电池、记忆细胞和光敏二极管。

然而,所有这些设备都手工组装,作为一次性的原型存在。仍有很长的路对他们的工业规模生产和商业化。

几个因素导致进步的阻碍。首先是缺乏完全控制单层材料的制造。此外,现有的描述技术是复杂的,需要有经验的研究人员的注意。最后,由于材料的非常苗条,后者对各种扰动极其敏感,其中许多是无意中引入的。理解这些扰动并非一项简单的任务,因为他们可以有一个综合效应,必须进行分解。

不同的实验参数之间的相关性有助于确定特定缺陷引起的变化在2 d光学、电学性质的材料

帕维尔Kolesnichenko博士和教授杰弗里·戴维斯(斯文本科技大学)意识到的忘恩负义的任务描述二维材料可以通过机器快速和自动化的方式来实现的。

“为了理解不同扰动的影响,减少或控制他们的存在,重要的是能够识别他们和他们的空间分布迅速、可靠地,”戴维斯教授说,他是首席调查员弧卓越中心在未来的低能电子技术(车队)。

舰队一起工作的同事教授Michael元首(莫纳什大学),他们非监督机器学习算法应用于描述二硫化钨的半导体单层。数据是通过简单的设备涉及显微镜和分光计。然后学习算法能够区分地区单层片状受掺杂,紧张、混乱,以及额外的层的存在。

这是第一次如此系统地解开纠结这些扰动已执行。

任务是通过将获取的数据嵌入到人为构造多维参数空间。学习算法被允许找到一个方法来可视化数据理解两个维度和最具代表性的方法,其中每个扰动形成自己的data-cluster。

团队建立在先前的科学成果包括他们以前的出版物,在那里他们树立扰动使用相关的光致发光和吸收光谱。

“很多因素会影响二维材料的光电特性,包括基质的类型,额外的兴奋剂,应变,皱纹的出现,缺陷,和环境分子等等,”帕维尔博士说Kolesnichenko(现在隆德大学博士后)。“因此,搬到一个多维参数空间似乎是顺理成章的事情。”

“我们也希望这项研究将激励科学家将类似的想法应用到其他二维材料和使用其他成像方式,”帕维尔说。

在数据驱动的科学和技术的时代,作者希望他们的研究将激励创造一个大标签数据集,在标签(如“兴奋剂”、“应变”,等)将由经验丰富的研究人员。这个数据集将用于训练深层神经网络描述二维材料在几分之一秒。研究人员认为,他们的工作将有助于引入单层的描述标准,接近大规模使用低能耗的时刻在未来智能手机和电脑。

”起作用的掺杂、应变和混乱在单层WS2光学光谱”2020年1月发表在2 d材料。(DOI: 10.1088 / 2053 - 1583 / ab626a)

“确定目标”:教学机器如何识别缺陷的二维材料