教机器如何识别二维材料中的缺陷

  就像詹姆斯·卡梅隆(James Cameron)的Terminator-800能够区分“衣服,靴子和摩托车”一样,机器学习可以识别二维材料上感兴趣的不同领域。

  对这些材料上根本不同的物理区域(例如,显示掺杂,应变和电子紊乱的区域)进行简单,自动的光学识别,可以大大促进原子薄材料的科学发展。

教机器如何识别二维材料中的缺陷

  原子薄(或二维)物质层是一类新兴的新兴材料,将成为下一代节能计算,光电和未来智能手机的基础。

  主要作者帕维尔·科列斯尼琴科(Pavel Kolesnichenko)博士解释说:“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扰动的区域。” “这可以在将来对2D材料进行快速的机械辅助表征,从而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

  在2004年成功将单层铅笔石墨(石墨烯)用作具有许多特殊性能的奇妙半金属材料之后,世界各地的科学家意识到,其他层状材料也可以减薄为单层(“单层”) 。

  从那时起,已经获得了几十个其他单层,包括金属,半导体,绝缘体和更奇特的量子材料,例如拓扑绝缘体,超导体和铁磁体。

  有了这种单层动物,材料科学家便像“乐高”积木一样使用它们:例如以许多不同的组合堆叠它们,以构造下一代晶体管,电池,存储单元和光电二极管。

  但是,所有这些设备都是手动组装的,并且是一次性的原型。他们的工业规模生产和商业化还有很长的路要走。

  阻碍进步的因素有几个。首先是缺乏对单层材料制造的完全控制。另外,当前的表征技术很复杂,并且需要经验丰富的研究人员的注意。最后,由于材料的极薄性,材料对各种干扰极为敏感,其中许多干扰是无意引入的。理解这些扰动并不是一件容易的事,因为它们可能会产生综合影响,并且必须解开纠结。

  斯威本科技大学的Pavel Kolesnichenko博士和Jeffrey Davis教授意识到,表征二维材料的不负责任的任务可以由机器以快速,自动化的方式完成。

  “为了了解不同干扰的影响并最小化或控制它们的存在,重要的是能够快速可靠地识别它们及其空间分布,” ARC高级研究中心首席研究员戴维斯教授说。未来的低能耗电子技术(FLEET)。

  他们与FLEET的同事Michael Fuhrer教授(莫纳什大学)合作,应用了无监督的机器学习算法来表征二硫化钨的半导体单层。数据通过包括显微镜和光谱仪的简单设备获得。然后,学习算法能够区分单层薄片上受掺杂,应变,无序和存在其他层影响的区域。

  这是第一次对这些扰动进行系统的分解。

  通过将获取的数据嵌入到人工构建的多维参数空间中来完成此任务。然后允许学习算法找到一种以可理解的二维方式并且以最具代表性的方式可视化数据的方法,其中每个扰动都形成了自己的数据集群。

  该团队以该领域以前的科学成果为基础,包括他们以前的出版物,他们使用相关的光致发光和吸收光谱消除了扰动。

  Pavel Kolesnichenko博士说:“如此多的因素会影响2D材料的光电特性,包括衬底的类型,附加的掺杂,应变,皱纹,缺陷和环境分子的存在(您可以将其命名),”在隆德大学)。“因此,转移到多维参数空间似乎是自然而然的下一步。”

  帕维尔说:“我们还希望这项研究能够激励科学家将类似的想法应用于其他二维材料,并使用其他成像方式。”

  在以数据为驱动的科学技术时代,作者希望他们的研究能够激励创建一个大型的标记数据集,其中由经验丰富的研究人员分配标记(例如“掺杂”,“应变”等)。然后,该数据集将用于训练深度神经网络,以在不到一秒钟的时间内表征二维材料。研究人员认为,他们的工作将有助于引入表征单层物质的标准,从而接近将来大规模使用低能耗智能手机和计算机的时刻。

侵权请联系作者。发布者:admin,转转请注明出处:/kexue/300.html

联系我们

888-800-8888

在线咨询:点击这里给我发消息

邮件:admin@example.com

工作时间:周一至周五,9:30-18:30,节假日休息

关注微信