Os supercondutores têm sido considerados a principal abordagem para a realização de eletrônicos sem resistividade. Na última década, uma nova família de materiais quânticos, "materiais topológicos", ofereceu um meio alternativo, mas promissor, para alcançar a eletrônica sem dissipação (ou perda) de energia. Comparados aos supercondutores, os materiais topológicos oferecem algumas vantagens, como robustez contra distúrbios. Para atingir os estados eletrônicos sem dissipação, uma rota chave é o chamado "efeito de proximidade magnética", que ocorre quando o magnetismo penetra levemente na superfície de um material topológico. No entanto, observar o efeito de proximidade tem sido um desafio.
O problema, de acordo com Zhantao Chen, Ph.D em engenharia mecânica. estudante do MIT, "é que o sinal que as pessoas estão procurando, que indicaria a presença desse efeito, geralmente é muito fraco para ser detectado de forma conclusiva com métodos tradicionais". É por isso que uma equipe de cientistas – baseada no MIT, na Pennsylvania State University e no National Institute of Standards and Technology – decidiu tentar uma abordagem não tradicional, que acabou gerando resultados surpreendentemente bons.

O que está abaixo e entre as camadas

Nos últimos anos, os pesquisadores confiaram em uma técnica conhecida como reflectometria de nêutrons polarizados (PNR) para investigar a estrutura magnética dependente da profundidade de materiais multicamadas, bem como para procurar fenômenos como o efeito de proximidade magnética. No PNR, dois feixes de nêutrons polarizados com spins opostos são refletidos da amostra e coletados em um detector. “Se o nêutron encontrar um fluxo magnético, como o encontrado dentro de um material magnético, que tem a orientação oposta, ele mudará seu estado de spin, resultando em diferentes sinais medidos a partir dos feixes de nêutrons de spin para cima e para baixo”, explica Nina Andrejevic. , Ph.D. em ciência e engenharia de materiais. Como resultado, o efeito de proximidade pode ser detectado se uma fina camada de um material normalmente não magnético - colocada imediatamente adjacente a um material magnético - se tornar magnetizada.

Mas o efeito é muito sutil, estendendo-se apenas cerca de 1 nanômetro de profundidade, e ambiguidades e desafios podem surgir quando se trata de interpretar os resultados experimentais. "Ao trazer o aprendizado de máquina para nossa metodologia, esperávamos obter uma imagem mais clara do que está acontecendo", observa Mingda Li, Norman C. Rasmussen Professor de Desenvolvimento de Carreira no Departamento de Ciência e Engenharia Nuclear que liderou a equipe de pesquisa. Essa esperança foi realmente confirmada, e as descobertas da equipe foram publicadas em 17 de março em um artigo na Applied Physics Review .

Os pesquisadores investigaram um isolante topológico – um material que é eletricamente isolante em seu interior, mas pode conduzir corrente elétrica na superfície. Eles optaram por se concentrar em um sistema de materiais em camadas que compreende o seleneto de bismuto isolante topológico (Bi₂ Veja₃ ) em interface com o isolante ferromagnético sulfeto de európio (EuS). Bi₂ Veja₃ é, por si só, um material não magnético, de modo que a camada magnética EuS domina a diferença entre os sinais medidos pelos dois feixes de nêutrons polarizados. No entanto, com a ajuda do aprendizado de máquina, os pesquisadores conseguiram identificar e quantificar outra contribuição para o sinal PNR - a magnetização induzida no Bi₂ Veja₃ na interface com a camada EuS adjacente. "Os métodos de aprendizado de máquina são altamente eficazes em extrair padrões subjacentes de dados complexos, tornando possível discernir efeitos sutis como o magnetismo de proximidade na medição do PNR", diz Andrejevic.

Quando o sinal PNR é alimentado pela primeira vez no modelo de aprendizado de máquina, ele é altamente complexo. O modelo é capaz de simplificar este sinal para que o efeito de proximidade seja amplificado e assim se torne mais visível. Usando essa representação reduzida do sinal PNR, o modelo pode quantificar a magnetização induzida - indicando se o efeito de proximidade magnética é observado ou não - juntamente com outros atributos do sistema de materiais, como espessura, densidade e rugosidade de as camadas constituintes.

Melhor visualização por meio da IA

“Reduzimos a ambiguidade que surgiu em análises anteriores, graças à duplicação da resolução alcançada usando a abordagem assistida por aprendizado de máquina”, dizem Leon Fan e Henry Heiberger, pesquisadores de graduação participantes deste estudo. O que isso significa é que eles podem discernir as propriedades dos materiais em escalas de comprimento de 0,5 nm, metade da extensão espacial típica do efeito de proximidade. Isso é análogo a olhar para escrever em um quadro-negro a 6 metros de distância e não ser capaz de decifrar nenhuma das palavras. Mas se você pudesse cortar essa distância pela metade, você poderia ler a coisa toda.

O processo de análise de dados também pode ser acelerado significativamente por meio da dependência do aprendizado de máquina. "Nos velhos tempos, você poderia passar semanas mexendo em todos os parâmetros até conseguir que a curva simulada se encaixasse na curva experimental", diz Li. "Pode levar muitas tentativas porque o mesmo sinal [PNR] pode corresponder a diferentes combinações de parâmetros."

"A rede neural fornece uma resposta imediata", acrescenta Chen. "Não há mais adivinhação. Não há mais tentativa e erro." Por esta razão, a estrutura foi instalada em algumas linhas de luz de reflectometria para apoiar a análise de tipos mais amplos de materiais.

Alguns observadores externos elogiaram o novo estudo – que é o primeiro a avaliar a eficácia do aprendizado de máquina na identificação do efeito de proximidade e está entre os primeiros pacotes baseados em aprendizado de máquina usados ​​para análise de dados PNR. "O trabalho de Andrejevic et al. oferece uma rota alternativa para capturar os detalhes finos em dados PNR, mostrando como uma resolução mais alta pode ser alcançada de forma consistente", diz Kang L. Wang, Professor Ilustre e Presidente da Raytheon em Engenharia Elétrica na Universidade da Califórnia em Los Angeles.

"Este é realmente um avanço empolgante", comenta Chris Leighton, o distinto professor da Universidade McKnight da Universidade de Minnesota. “Sua nova abordagem de aprendizado de máquina pode não apenas acelerar muito esse processo, mas também extrair ainda mais informações de materiais dos dados disponíveis”.

O grupo liderado pelo MIT já está considerando expandir o escopo de suas investigações. "O efeito de proximidade magnética não é o único efeito fraco com o qual nos preocupamos", diz Andrejevic. “A estrutura de aprendizado de máquina que desenvolvemos é facilmente transferível para diferentes tipos de problemas, como o efeito de proximidade supercondutor, que é de grande interesse no campo da computação quântica”. + Explorar mais

União de isoladores topológicos com materiais magnéticos para eletrônica com eficiência energética

Esta história foi republicada como cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisa, inovação e ensino do MIT.