Proprio come Terminator-800 di James Cameron era in grado di discriminare tra "vestiti, stivali, e una moto, " il machine learning potrebbe identificare diverse aree di interesse sui materiali 2-D.

Il semplice, identificazione ottica automatizzata di aree fisiche fondamentalmente diverse su questi materiali (ad es. aree che mostrano doping, sforzo, e disordine elettronico) potrebbe accelerare significativamente la scienza dei materiali atomicamente sottili.

Gli strati di materia atomicamente sottili (o 2-D) sono un nuovo, classe emergente di materiali che servirà come base per l'elaborazione efficiente dal punto di vista energetico di prossima generazione, optoelettronica e futuri smartphone.

"Senza alcuna supervisione, algoritmi di apprendimento automatico sono stati in grado di discriminare tra aree diversamente perturbate su un materiale semiconduttore 2-D, " spiega l'autore principale, il dott. Pavel Kolesnichenko. "Questo può portare a rapidi, caratterizzazione assistita dalla macchina di materiali 2-D in futuro, accelerando l'applicazione di questi materiali negli smartphone a basso consumo energetico di prossima generazione".

L'automazione apre il campo dei materiali atomicamente sottili

Dopo il successo nel 2004 di un singolo strato di grafite di matita (grafene) come meraviglioso materiale semimetallico con molte proprietà peculiari, scienziati di tutto il mondo si sono resi conto che anche altri materiali stratificati possono essere ridotti a un singolo strato (un "monostrato").

Da allora, sono state ottenute decine di altri monostrati, compresi i metalli, semiconduttori, isolanti, e materiali quantistici più esotici come isolanti topologici, superconduttori e ferromagneti.

Avendo a disposizione questo zoo monostrato, gli scienziati dei materiali li hanno usati come blocchi "LEGO":ad esempio impilandoli in molte combinazioni diverse per costruire transistor di nuova generazione, batterie, celle di memoria e fotodiodi.

Tutti questi dispositivi, però, sono stati assemblati manualmente ed esistono come prototipi unici. C'è ancora molta strada verso la loro produzione e commercializzazione su scala industriale.

Diversi fattori contribuiscono ad ostacolare il progresso. Il primo è la mancanza di pieno controllo sulla fabbricazione dei materiali monostrato. Inoltre, le attuali tecniche di caratterizzazione sono complicate e richiedono l'occhio di un ricercatore esperto. Finalmente, per l'estrema sottigliezza dei materiali, questi ultimi sono estremamente sensibili a varie perturbazioni, molti dei quali introdotti involontariamente. Comprendere queste perturbazioni è un compito non banale, in quanto possono avere un effetto combinato e devono essere districati.

Il Dr. Pavel Kolesnichenko e il Prof Jeffrey Davis (Swinburne University of Technology) si sono resi conto che l'ingrato compito della caratterizzazione dei materiali 2-D poteva essere svolto dalle macchine in modo rapido e automatizzato.

"Per comprendere l'impatto delle diverse perturbazioni e minimizzare o controllare la loro presenza, è importante essere in grado di identificarli e la loro distribuzione spaziale in modo rapido e affidabile, " ha detto il professor Davis, che è un investigatore capo nel Centro di eccellenza ARC in Future Low-Energy Electronics Technologies (FLEET).

Lavorando con il collega della FLEET, il prof. Michael Fuhrer (Monash University), hanno applicato algoritmi di apprendimento automatico non supervisionato per caratterizzare il monostrato semiconduttore di disolfuro di tungsteno. I dati sono stati acquisiti da un semplice apparato comprendente un microscopio e uno spettrometro. Gli algoritmi di apprendimento sono poi stati in grado di discriminare tra le aree su una scaglia monostrato colpite da doping, sforzo, disturbo, e la presenza di strati aggiuntivi.

Questa è la prima volta che viene eseguito un districamento così sistematico di queste perturbazioni.

Il compito è stato realizzato incorporando i dati acquisiti in uno spazio parametrico multidimensionale costruito artificialmente. Agli algoritmi di apprendimento è stato poi permesso di trovare un modo per visualizzare i dati in due dimensioni comprensibili e nel modo più rappresentativo, dove ogni perturbazione formava il proprio cluster di dati.

Il team si è basato sui precedenti risultati scientifici nel campo, inclusa la loro precedente pubblicazione, dove hanno districato le perturbazioni usando fotoluminescenza e spettri di assorbimento correlati.

"Molti fattori possono influenzare le proprietà optoelettroniche dei materiali 2-D, compreso il tipo di supporto, doping aggiuntivo, sforzo, la presenza di rughe, difetti, e le molecole ambientali - lo chiami, " ha detto il dottor Pavel Kolesnichenko (ora postdoc presso l'Università di Lund). "Così, il passaggio a uno spazio parametrico multidimensionale sembrava essere un passo successivo naturale".

"Speriamo anche che la ricerca possa motivare gli scienziati ad applicare idee simili ad altri materiali 2-D e ad utilizzare altre modalità di imaging, "dice Pavel.

Nell'era della scienza e della tecnologia basate sui dati, gli autori sperano che la loro ricerca possa motivare la creazione di un ampio set di dati etichettati, dove etichette (come 'doping, " 'sforzo, " ecc.) verrebbe assegnato da ricercatori esperti. Questo set di dati verrebbe quindi utilizzato per addestrare reti neurali profonde per caratterizzare materiali 2-D in una frazione di secondo. I ricercatori ritengono che il loro lavoro contribuirà a introdurre standard per la caratterizzazione della materia monostrato , avvicinandosi al momento dell'uso su larga scala di smartphone e computer a basso consumo energetico in futuro.