I superconduttori sono stati a lungo considerati l'approccio principale per la realizzazione di elettronica senza resistività. Nell'ultimo decennio, una nuova famiglia di materiali quantistici, i "materiali topologici", ha offerto un mezzo alternativo ma promettente per ottenere l'elettronica senza dissipazione (o perdita di energia). Rispetto ai superconduttori, i materiali topologici offrono alcuni vantaggi, come la robustezza contro i disturbi. Per ottenere gli stati elettronici senza dissipazione, un percorso chiave è il cosiddetto "effetto di prossimità magnetico", che si verifica quando il magnetismo penetra leggermente nella superficie di un materiale topologico. Tuttavia, osservare l'effetto di prossimità è stato impegnativo.

Il problema, secondo Zhantao Chen, un dottore di ricerca in ingegneria meccanica. studente del MIT, "è che il segnale che le persone cercano che indicherebbe la presenza di questo effetto è solitamente troppo debole per essere rilevato in modo definitivo con i metodi tradizionali". Ecco perché un team di scienziati, con sede al MIT, alla Pennsylvania State University e al National Institute of Standards and Technology, ha deciso di provare un approccio non tradizionale, che ha finito per produrre risultati sorprendentemente buoni.

Cosa c'è sotto e tra gli strati

Negli ultimi anni, i ricercatori hanno fatto affidamento su una tecnica nota come riflettometria a neutroni polarizzati (PNR) per sondare la struttura magnetica dipendente dalla profondità di materiali multistrato, nonché per cercare fenomeni come l'effetto di prossimità magnetica. Nel PNR, due fasci di neutroni polarizzati con spin opposti vengono riflessi dal campione e raccolti su un rivelatore. "Se il neutrone incontra un flusso magnetico, come quello che si trova all'interno di un materiale magnetico, che ha l'orientamento opposto, cambierà il suo stato di spin, risultando in segnali diversi misurati dai fasci di neutroni spin up e spin down", spiega Nina Andrejevic , dottorato di ricerca in scienze dei materiali e ingegneria. Di conseguenza, l'effetto di prossimità può essere rilevato se viene mostrato che uno strato sottile di un materiale normalmente non magnetico, posizionato immediatamente adiacente a un materiale magnetico, viene magnetizzato.

Ma l'effetto è molto sottile, si estende solo per circa 1 nanometro in profondità, e possono sorgere ambiguità e sfide quando si tratta di interpretare i risultati sperimentali. "Introducendo l'apprendimento automatico nella nostra metodologia, speravamo di ottenere un quadro più chiaro di ciò che sta accadendo", osserva Mingda Li, Professore di sviluppo professionale di Norman C. Rasmussen presso il Dipartimento di scienze nucleari e ingegneria che ha guidato il team di ricerca. Questa speranza è stata effettivamente confermata e i risultati del team sono stati pubblicati il ​​17 marzo in un articolo su Applied Physics Review .

I ricercatori hanno studiato un isolante topologico, un materiale che isola elettricamente al suo interno ma può condurre corrente elettrica sulla superficie. Hanno scelto di concentrarsi su un sistema di materiali stratificati comprendente l'isolante topologico seleniuro di bismuto (Bi₂ Se₃ ) interfacciato con l'isolante ferromagnetico europio solfuro (EuS). Bi₂ Se₃ è, di per sé, un materiale non magnetico, quindi lo strato magnetico EuS domina la differenza tra i segnali misurati dai due fasci di neutroni polarizzati. Tuttavia, con l'aiuto dell'apprendimento automatico, i ricercatori sono stati in grado di identificare e quantificare un altro contributo al segnale PNR:la magnetizzazione indotta nel Bi₂ Se₃ all'interfaccia con il livello EuS adiacente. "I metodi di apprendimento automatico sono molto efficaci nel ricavare modelli sottostanti da dati complessi, consentendo di discernere effetti sottili come quello del magnetismo di prossimità nella misurazione PNR", afferma Andrejevic.

Quando il segnale PNR viene inviato per la prima volta al modello di apprendimento automatico, è molto complesso. Il modello è in grado di semplificare questo segnale in modo che l'effetto di prossimità sia amplificato e diventi così più evidente. Utilizzando questa rappresentazione ridotta del segnale PNR, il modello può quindi quantificare la magnetizzazione indotta, indicando se l'effetto di prossimità magnetico viene osservato o meno, insieme ad altri attributi del sistema dei materiali, come lo spessore, la densità e la rugosità di gli strati costitutivi.

Migliore visibilità grazie all'IA

"Abbiamo ridotto l'ambiguità emersa nelle analisi precedenti, grazie al raddoppio della risoluzione ottenuta utilizzando l'approccio assistito dall'apprendimento automatico", affermano Leon Fan e Henry Heiberger, ricercatori universitari che partecipano a questo studio. Ciò significa che potrebbero discernere le proprietà dei materiali su scale di lunghezza di 0,5 nm, metà della tipica estensione spaziale dell'effetto di prossimità. È analogo a guardare una scrittura su una lavagna da 20 piedi di distanza e non essere in grado di distinguere nessuna delle parole. Ma se potessi dimezzare quella distanza, potresti essere in grado di leggere tutto.

Il processo di analisi dei dati può anche essere notevolmente accelerato facendo affidamento sull'apprendimento automatico. "Ai vecchi tempi, potresti passare settimane a giocherellare con tutti i parametri fino a quando non riesci a far sì che la curva simulata si adatti alla curva sperimentale", afferma Li. "Potrebbero essere necessari molti tentativi perché lo stesso segnale [PNR] potrebbe corrispondere a diverse combinazioni di parametri."

"La rete neurale ti dà subito una risposta", aggiunge Chen. "Non ci sono più congetture. Niente più tentativi ed errori." Per questo motivo, la struttura è stata installata in alcune linee di luce riflettometrica per supportare l'analisi di tipi di materiali più ampi.

Alcuni osservatori esterni hanno elogiato il nuovo studio, che è il primo a valutare l'efficacia dell'apprendimento automatico nell'identificazione dell'effetto di prossimità e tra i primi pacchetti basati sull'apprendimento automatico utilizzati per l'analisi dei dati PNR. "Il lavoro di Andrejevic et al. offre un percorso alternativo per acquisire i minimi dettagli nei dati PNR, mostrando come è possibile ottenere costantemente una risoluzione più elevata", afferma Kang L. Wang, Distinguished Professor e Raytheon Chair in Electrical Engineering presso l'Università della California a Los Angeles.

"Questo è davvero un progresso entusiasmante", commenta Chris Leighton, il Distinguished McKnight University Professor presso l'Università del Minnesota. "Il loro nuovo approccio all'apprendimento automatico potrebbe non solo accelerare notevolmente questo processo, ma anche spremere ancora più informazioni sui materiali dai dati disponibili."

Il gruppo guidato dal MIT sta già considerando di ampliare la portata delle loro indagini. "L'effetto di prossimità magnetica non è l'unico effetto debole che ci interessa", dice Andrejevic. "Il framework di apprendimento automatico che abbiamo sviluppato è facilmente trasferibile a diversi tipi di problemi, come l'effetto di prossimità superconduttore, che è di grande interesse nel campo dell'informatica quantistica". + Esplora ulteriormente

Unione di isolanti topologici con materiali magnetici per l'elettronica ad alta efficienza energetica

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca, l'innovazione e l'insegnamento del MIT.