Assim como o Terminator-800 de James Cameron foi capaz de discriminar entre "roupas, botas, e uma motocicleta, "O aprendizado de máquina pode identificar diferentes áreas de interesse em materiais 2-D.

O simples, identificação óptica automatizada de áreas físicas fundamentalmente diferentes nesses materiais (por exemplo, áreas exibindo dopagem, cepa, e desordem eletrônica) poderia acelerar significativamente a ciência de materiais atomicamente finos.

Camadas atomicamente finas (ou 2-D) de matéria são novas, classe emergente de materiais que servirão de base para a computação com eficiência energética de próxima geração, optoeletrônica e telefones inteligentes do futuro.

"Sem qualquer supervisão, algoritmos de aprendizado de máquina foram capazes de discriminar entre áreas perturbadas de forma diferente em um material semicondutor 2-D, "explica o autor principal, Dr. Pavel Kolesnichenko." Isso pode levar a caracterização auxiliada por máquina de materiais 2-D no futuro, acelerando a aplicação desses materiais em smartphones de baixa energia de próxima geração. "

Automação abrindo o campo de materiais atomicamente finos

Após o sucesso de 2004 de uma única camada de grafite de lápis (grafeno) como um maravilhoso material semimetálico com muitas propriedades peculiares, cientistas de todo o mundo perceberam que outros materiais em camadas também podem ser reduzidos a uma única camada (uma 'monocamada').

Desde então, dezenas de outras monocamadas foram obtidas, incluindo metais, semicondutores, isoladores, e materiais quânticos mais exóticos, como isolantes topológicos, supercondutores e ferromagnetos.

Ter este zoológico monocamada à sua disposição, os cientistas de materiais os usaram como blocos de "LEGO":por exemplo, empilhá-los em muitas combinações diferentes para construir transistores de próxima geração, baterias, células de memória e fotodiodos.

Todos esses dispositivos, Contudo, foram montados manualmente e existem como protótipos únicos. Ainda há um longo caminho para sua produção e comercialização em escala industrial.

Vários fatores contribuem para o impedimento do progresso. O primeiro é a falta de controle total sobre a fabricação de materiais de monocamada. Além disso, as técnicas de caracterização atuais são complicadas e requerem o olhar de um pesquisador experiente. Finalmente, devido à extrema finura dos materiais, os últimos são extremamente sensíveis a várias perturbações, muitos dos quais são introduzidos involuntariamente. Compreender essas perturbações é uma tarefa não trivial, pois podem ter um efeito combinado e precisam ser desenredados.

O Dr. Pavel Kolesnichenko e o Prof Jeffrey Davis (Swinburne University of Technology) perceberam que a ingrata tarefa de caracterização de materiais 2-D poderia ser realizada por máquinas de maneira rápida e automatizada.

"Para entender o impacto de diferentes perturbações e minimizar ou controlar sua presença, é importante ser capaz de identificá-los e sua distribuição espacial de forma rápida e confiável, "disse o Prof Davis, que é investigador-chefe do Centro de Excelência em Tecnologias Eletrônicas de Baixa Energia do Futuro (FLEET) da ARC.

Trabalhando com o colega da FLEET, Prof Michael Fuhrer (Monash University), eles aplicaram algoritmos de aprendizado de máquina não supervisionados para caracterizar a monocamada semicondutora de dissulfeto de tungstênio. Os dados foram adquiridos por aparato simples envolvendo microscópio e espectrômetro. Os algoritmos de aprendizagem, então, foram capazes de discriminar entre as áreas em um floco monocamada afetado por dopagem, cepa, transtorno, e a presença de camadas adicionais.

Esta é a primeira vez que um desemaranhamento sistemático dessas perturbações foi realizado.

A tarefa foi realizada incorporando os dados adquiridos em um espaço de parâmetros multidimensional construído artificialmente. Algoritmos de aprendizagem foram então autorizados a encontrar uma maneira de visualizar os dados em duas dimensões compreensíveis e da forma mais representativa, onde cada perturbação formou seu próprio cluster de dados.

A equipe baseou-se em resultados científicos anteriores na área, incluindo sua publicação anterior, onde eles desemaranharam perturbações usando fotoluminescência correlacionada e espectros de absorção.

"Muitos fatores podem afetar as propriedades optoeletrônicas de materiais 2-D, incluindo o tipo de substrato, doping adicional, cepa, a presença de rugas, defeitos, e moléculas ambientais - você escolhe, "disse o Dr. Pavel Kolesnichenko (agora um pós-doutorado na Universidade de Lund)." Assim, mudar para um espaço paramétrico multidimensional parecia ser o próximo passo natural. "

"Também esperamos que a pesquisa motive os cientistas a aplicar ideias semelhantes a outros materiais 2-D e usar outras modalidades de imagem, "diz Pavel.

Na era da ciência e tecnologia orientada por dados, os autores esperam que sua pesquisa motive a criação de um grande conjunto de dados rotulados, onde rótulos (como 'doping, " 'cepa, "etc.) seriam atribuídos por pesquisadores experientes. Esse conjunto de dados seria então usado para treinar redes neurais profundas para caracterizar materiais 2-D em uma fração de segundo. Os pesquisadores acreditam que seu trabalho ajudará a introduzir padrões para caracterização de matéria monocamada , aproximando-se do momento de uso em larga escala de smartphones e computadores de baixo consumo de energia no futuro.