I materiali bidimensionali, che consistono in un singolo strato di atomi, mostrano proprietà insolite che potrebbero essere sfruttate per un'ampia gamma di sistemi quantistici e microelettronici. Ma ciò che li rende davvero speciali sono i loro difetti. "Ecco dove sta la loro vera magia", ha detto Alexander Weber-Bargioni del Lawrence Berkeley National Laboratory (Berkeley Lab) del Dipartimento di Energia. Difetti fino al livello atomico possono influenzare la funzione macroscopica del materiale e portare a nuovi comportamenti quantistici, e ci sono così tanti tipi di difetti che i ricercatori hanno appena iniziato a comprenderne le possibilità. Una delle maggiori sfide nel campo è lo studio sistematico di questi difetti su scale rilevanti o con risoluzione atomica.

L'intelligenza artificiale suggerisce una via da seguire. I ricercatori del Berkeley Lab hanno recentemente svelato un modo nuovo, veloce e facilmente riproducibile per mappare e identificare i difetti nei materiali bidimensionali. Utilizza reti neurali convoluzionali, che sono un'applicazione dell'intelligenza artificiale, per analizzare rapidamente i dati provenienti da esperimenti autonomi, che negli ultimi anni sono diventati un potente strumento per l'imaging di questi materiali esotici.

"I difetti possono essere utilizzati in modo vantaggioso, oppure possono causare problemi con la funzione macroscopica del materiale", ha affermato John Thomas, ricercatore post-dottorato nel Gruppo Weber-Bargioni presso la Molecular Foundry, una struttura utente del DOE Office of Science presso il Berkeley Lab dove è stata condotta questa ricerca. Thomas ha ideato l'approccio che accoppia l'IA con la scoperta autonoma. "Questa combinazione ci offre un ottimo modo per individuare i difetti e misurarli", ha affermato. Il metodo potrebbe ridurre drasticamente il tempo necessario per caratterizzare i materiali bidimensionali e utilizzarli nei dispositivi quantistici ed elettronici di prossima generazione. Gli scienziati hanno riportato la loro ricerca in un documento pubblicato su npj Computational Materials .

La comprensione delle proprietà quantistiche dei solidi ha consentito tecnologie rivoluzionarie nel corso dei decenni, come il transistor e il laser. Ora, mentre gli scienziati perseguono altre applicazioni che sfruttano la scienza dell'informazione quantistica, come il rilevamento e l'informatica quantistica, è fondamentale comprendere meglio un fenomeno nei solidi chiamato coerenza quantistica. Questo è il focus del Center for Novel Pathways to Quantum Coherence in Materials (NPQC), un Energy Frontier Research Center (EFRC) guidato da Berkeley Lab. L'obiettivo del centro è migliorare notevolmente la comprensione e il controllo della coerenza nei solidi da parte degli scienziati, il che potrebbe portare a nuovi dispositivi e applicazioni. E gran parte di questo lavoro sta studiando i minimi difetti di un materiale.

In questa ricerca specifica, supportata dall'EFRC NPQC, Thomas e Weber-Bargioni, che è un co-PI nell'EFRC, hanno collaborato con Marcus Noack della divisione di matematica applicata e ricerca computazionale del Berkeley Lab. Noack, che è il capo degli esperimenti autonomi e di guida autonoma presso il Center for Advanced Mathematics for Energy Research Applications (CAMERA) del Berkeley Lab, ha sviluppato gpCAM, il sistema utilizzato per esperimenti autonomi. Il gruppo ha testato il proprio approccio basato sull'intelligenza artificiale su materiale costituito da un singolo strato di disolfuro di tungsteno (WS2) cresciuto su un substrato di grafene e carburo di silicio.

La raccolta di dati spettroscopici ad alta risoluzione sui posti liberi di zolfo (una specie di difetto) in un campione quadrato del materiale che misura 125 × 125 pixel richiederebbe circa 23 giorni utilizzando l'approccio convenzionale alla microscopia a effetto tunnel (STM). L'STM offre un modo efficace per raccogliere informazioni sulla superficie spettroscopica e collegarle a fenomeni macroscopici, ma la creazione di un'immagine spettrale completa, ha affermato Thomas, può spesso essere complicata da una serie di fattori che possono sorgere durante così tanto tempo.

Ridurre il tempo necessario per acquisire i dati potrebbe ridurre il rischio di tali complicazioni. Combinando le misurazioni STM con strumenti di apprendimento automatico, il nuovo approccio ha ridotto il tempo di imaging a circa 8 ore.

"Da circa tre settimane fino a un terzo di giorno", ha detto Thomas. "È un bel balzo in avanti."

WS2 è un dichalcogenuro di metallo di transizione (TMD), un materiale con proprietà che lo rendono interessante per applicazioni come gli emettitori quantistici, dispositivi che possono produrre un singolo fotone alla volta e che potrebbero portare ad altre applicazioni quantistiche. Inoltre, difetti come le vacanze di zolfo nei TMD suggeriscono nuovi modi esotici per manipolare elettroni e fotoni nei dispositivi elettronici.

Ma WS2 è solo l'inizio. La nuova tecnica potrebbe essere utilizzata per generare dati di superficie ad alta dimensione su quasi ogni tipo di materiale bidimensionale, ha detto Thomas, e portare al tipo di studio sistematico ad alta risoluzione di cui il campo ha bisogno. Inoltre, il metodo può essere esteso oltre l'STM ad altre tecniche spettroscopiche, tra cui la spettroscopia di forza atomica, l'STM fotografico e l'STM ultraveloce. È disponibile per l'uso pubblico come pacchetto software ad accesso aperto chiamato gpSTS, di cui Thomas è lo sviluppatore principale.

"Speriamo di aver creato uno strumento che chiunque può utilizzare e aggiungere alla maggior parte degli STM", ha affermato Thomas. "Per quanto mi riguarda, continueremo ad approfondire diversi materiali quantistici e nuovi e nuovi difetti."

La componente di apprendimento automatico di questa ricerca ha beneficiato dell'esperienza di CAMERA, che mira a fornire la nuova matematica fondamentale necessaria per capitalizzare le indagini sperimentali presso le strutture scientifiche. + Esplora ulteriormente

Un trigger elettrico spara singoli fotoni identici