MIT研究人員利用AI技術發現多層電子材料的隱藏磁力特性

與超導體相比，拓撲材料具有一些優勢，如抗干擾性強。為了達到無耗散的電子狀態，一個關鍵的途徑是所謂的"磁接近效應"，當磁力稍微滲透到拓撲材料的表面時，就會發生這種效應。然而，觀察臨近效應一直是個挑戰。

麻省理工學院機械工程博士生陳占濤（音譯）說，"問題是，人們正在尋找的表明存在這種效應的信號通常太弱，無法用傳統方法進行確鑿的檢測。"這就是為什么一個科學家團隊--位于麻省理工學院、賓夕法尼亞州立大學和國家標準與技術研究所--決定嘗試一種非傳統的方法最終產生了令人驚訝的好結果。

在過去的幾年里，研究人員依靠一種被稱為偏振中子反射儀（PNR）的技術來探測多層材料的深度相關的磁性結構，以及尋找諸如磁接近效應等現象。在PNR中，兩個具有相反自旋的偏振中子束被從樣品中反射出來，并在一個探測器上收集。"如果中子遇到一個磁通，比如在磁性材料內部發現的磁通，它具有相反的方向，它將改變其自旋狀態，導致從自旋上升和自旋下降的中子束中測量到不同的信號，"材料科學和工程博士Nina Andrejevic解釋道。因此，如果一個通常非磁性材料的薄層--緊挨著磁性材料放置--顯示出被磁化，就可以檢測到磁接近效應。

但是這種效應非常微妙，只延伸了大約1納米的深度，當涉及到解釋實驗結果時，可能會出現含糊不清的情況和挑戰。領導該研究小組的核科學與工程系Norman C. Rasmussen職業發展教授李明達（音譯）指出："通過將機器學習引入我們的方法，我們希望能更清楚地了解發生了什么。這一希望確實得到了證實，研究小組的發現于2022年3月17日發表在《應用物理評論》上。"

研究人員調查了一種拓撲絕緣體--一種在內部是電絕緣的，但在表面可以傳導電流的材料。他們選擇關注一個由拓撲絕緣體硒化鉍（Bi2Se3）和鐵磁絕緣體硫化銪（EuS）組成的層狀材料系統。Bi2Se3本身是一種非磁性材料，因此磁性的EuS層主導了兩個偏振中子束測量的信號之間的差異。然而，在機器學習的幫助下，研究人員能夠識別并量化對PNR信號的另一個貢獻--在Bi2Se3與相鄰的EuS層的界面上誘導的磁化。Andrejevic說："機器學習方法在從復雜的數據中引出潛在的模式方面非常有效，使我們有可能辨別出PNR測量中像鄰近磁化那樣的微妙影響。"

當PNR信號第一次被送入機器學習模型時，它是非常復雜的。該模型能夠簡化這一信號，使接近效應被放大，從而變得更加顯眼。利用PNR信號的這種簡化表示，該模型然后可以量化誘導磁化--表明是否觀察到磁接近效應--以及材料系統的其他屬性，如組成層的厚度、密度和粗糙度。

通過人工智能更好地輔助觀察

"我們已經減少了以前分析中出現的模糊性，這要歸功于使用機器學習輔助方法實現的分辨率翻倍，"參與這項研究的本科生研究人員Leon Fan和Henry Heiberger說。這意味著他們可以在0.5納米的長度尺度上辨別材料特性，這是接近效應的典型空間范圍的一半。這就好比從20英尺外看黑板上的文字，卻無法看清任何文字。但是如果你能把這個距離減少一半，你可能就能看清所有內容。

通過對機器學習的依賴，數據分析過程也可以大大加快。該框架已被安裝在幾條反射儀光束線上，以支持更廣泛類型的材料分析。

一些外部觀察家贊揚了這項新的研究--它是第一個評估機器學習在識別接近效應方面的有效性的研究，也是第一批用于PNR數據分析的基于機器學習的軟件包之一。加州大學洛杉磯分校電氣工程系特聘教授兼雷神講座教授Kang L. Wang說："Andrejevic等人的工作為捕捉PNR數據中的精細細節提供了另一種途徑，顯示了如何能夠持續實現更高的分辨率。"

明尼蘇達大學麥克奈特大學特聘教授Chris Leighton評論說："這確實是一個令人興奮的進步。他們新的機器學習方法不僅可以大大加快這一過程，而且可以從現有數據中擠出更多的材料信息"。

由麻省理工學院領導的小組已經在考慮擴大他們的研究范圍。"磁接近效應并不是我們唯一關心的弱效應，"Andrejevic說。"我們開發的機器學習框架很容易轉移到不同種類的問題上，比如超導接近效應，這在量子計算領域是很有意義的。"