Materiais bidimensionais, que consistem em uma única camada de átomos, exibem propriedades incomuns que podem ser aproveitadas para uma ampla gama de sistemas quânticos e microeletrônicos. Mas o que os torna verdadeiramente especiais são suas falhas. "É aí que reside a sua verdadeira magia", disse Alexander Weber-Bargioni, do Laboratório Nacional Lawrence Berkeley do Departamento de Energia (Berkeley Lab). Defeitos até o nível atômico podem influenciar a função macroscópica do material e levar a novos comportamentos quânticos, e há tantos tipos de defeitos que os pesquisadores mal começaram a entender as possibilidades. Um dos maiores desafios da área é estudar sistematicamente esses defeitos em escalas relevantes, ou com resolução atômica.
A inteligência artificial sugere um caminho a seguir. Pesquisadores do Berkeley Lab revelaram recentemente uma maneira nova, rápida e facilmente reproduzível de mapear e identificar defeitos em materiais bidimensionais. Ele usa redes neurais convolucionais, que são uma aplicação de inteligência artificial, para analisar rapidamente dados de experimentos autônomos, que nos últimos anos se tornaram uma ferramenta poderosa para a geração de imagens desses materiais exóticos.

"Os defeitos podem ser usados ​​com vantagem, ou podem causar problemas com a função macroscópica do material", disse John Thomas, pesquisador de pós-doutorado do Weber-Bargioni Group na Molecular Foundry, uma instalação de usuários do DOE Office of Science no Berkeley Lab. onde esta pesquisa foi realizada. Thomas concebeu a abordagem que combina IA com descoberta autônoma. "Esta combinação nos dá uma boa maneira de detectar defeitos e medi-los", disse ele. O método pode reduzir drasticamente o tempo necessário para caracterizar materiais bidimensionais e usá-los em dispositivos quânticos e eletrônicos de próxima geração. Os cientistas relataram suas pesquisas em um artigo publicado em npj Computational Materials .

Compreender as propriedades quânticas dos sólidos permitiu tecnologias inovadoras ao longo das décadas, como o transistor e o laser. Agora, à medida que os cientistas buscam outras aplicações que aproveitam a ciência da informação quântica, como sensoriamento quântico e computação, é fundamental entender melhor um fenômeno em sólidos chamado coerência quântica. Este é o foco do Center for Novel Pathways to Quantum Coherence in Materials (NPQC), um Energy Frontier Research Center (EFRC) liderado pelo Berkeley Lab. O objetivo do centro é melhorar drasticamente a compreensão e o controle dos cientistas sobre a coerência em sólidos, o que pode levar a novos dispositivos e aplicações. E grande parte desse trabalho é estudar as pequenas falhas de um material.

Nesta pesquisa específica, que foi apoiada pelo NPQC EFRC, Thomas e Weber-Bargioni, que é co-PI no EFRC, colaboraram com Marcus Noack da Divisão de Matemática Aplicada e Pesquisa Computacional do Berkeley Lab. Noack, que é o líder de experimentos autônomos e autônomos no Centro de Matemática Avançada para Aplicações de Pesquisa Energética (CAMERA) do Berkeley Lab, desenvolveu o gpCAM, o sistema usado para experimentos autônomos. O grupo testou sua abordagem aprimorada por IA em material feito de uma única camada de dissulfeto de tungstênio (WS2) cultivado em um substrato de grafeno e carboneto de silício.

A coleta de dados espectroscópicos de alta resolução sobre vacâncias de enxofre (uma espécie de defeito) em uma amostra quadrada do material medindo 125×125 pixels exigiria cerca de 23 dias usando a abordagem convencional de microscopia de varredura de túnel (STM). O STM oferece uma maneira poderosa de coletar informações espectroscópicas de superfície e conectá-las a fenômenos macroscópicos, mas criar uma imagem espectral completa, disse Thomas, muitas vezes pode ser complicado por vários fatores que podem surgir durante tanto tempo.

Reduzir o tempo necessário para adquirir os dados pode reduzir o risco dessas complicações. Ao combinar medições STM com ferramentas de aprendizado de máquina, a nova abordagem reduziu o tempo de geração de imagens para cerca de 8 horas.

"De cerca de três semanas até um terço de um dia", disse Thomas. "É um bom salto para a frente."

O WS2 é um dicalcogeneto de metal de transição (TMD), um material com propriedades que o tornam atraente para aplicações como emissores quânticos, dispositivos que podem produzir um único fóton por vez e que podem levar a outras aplicações quânticas. Além disso, defeitos como vacâncias de enxofre em TMDs sugerem novas maneiras exóticas de manipular elétrons e fótons em dispositivos eletrônicos.

Mas o WS2 é apenas o começo. A nova técnica pode ser usada para gerar dados de superfície de alta dimensão em quase qualquer tipo de material bidimensional, disse Thomas, e levar ao tipo de estudo sistemático de alta resolução que o campo precisa. Além disso, o método pode ser estendido além do STM para outras técnicas espectroscópicas, incluindo espectroscopia de força atômica, foto STM e STM ultrarrápida. Ele está disponível para uso público como um pacote de software de acesso aberto chamado gpSTS, onde Thomas é o desenvolvedor líder.

“Esperamos que tenhamos feito uma ferramenta que qualquer um pode usar e adicionar à maioria dos STMs por aí”, disse Thomas. “Para mim, continuaremos investigando diferentes materiais quânticos e defeitos novos e inovadores”.

O componente de aprendizado de máquina desta pesquisa se beneficiou da experiência da CAMERA, que visa fornecer a nova matemática fundamental necessária para capitalizar investigações experimentais em instalações científicas. + Explorar mais

Um gatilho elétrico dispara fótons únicos e idênticos