Topologische Materialien, eine exotische Klasse von Materialien, deren Oberflächen andere elektrische oder funktionale Eigenschaften aufweisen als ihr Inneres, sind seit ihrer experimentellen Umsetzung im Jahr 2007 ein heißes Forschungsgebiet – eine Erkenntnis, die weitere Forschungen anregte und 2016 einen Nobelpreis für Physik einbrachte. Diesen Materialien wird ein großes Potenzial in einer Vielzahl von Bereichen zugesprochen und sie könnten eines Tages in hocheffizienten elektronischen oder optischen Geräten oder Schlüsselkomponenten von Quantencomputern verwendet werden.
Aber es gibt viele tausend Verbindungen, die theoretisch topologische Eigenschaften haben könnten, und selbst ein solches Material zu synthetisieren und zu testen, um seine topologischen Eigenschaften zu bestimmen, kann monatelange Experimente und Analysen erfordern. Jetzt hat ein Team von Forschern am MIT und anderswo einen neuen Ansatz entwickelt, mit dem Kandidatenmaterialien schnell überprüft und mit einer Genauigkeit von mehr als 90 Prozent bestimmt werden können, ob sie topologisch sind.
Mit dieser neuen Methode haben die Forscher eine Liste von Kandidatenmaterialien erstellt. Von einigen davon war bereits bekannt, dass sie topologische Eigenschaften haben, aber der Rest wird durch diesen Ansatz neu vorhergesagt.
Die Ergebnisse werden in der Zeitschrift veröffentlicht Fortgeschrittene Werkstoffe in einem Artikel von Mingda Li, Professorin für Karriereentwicklung der Klasse 47 am MIT, den Doktorandinnen (und Zwillingsschwestern) Nina Andrejevic am MIT und Jovana Andrejevic an der Harvard University und sieben weiteren am MIT, Harvard, der Princeton University und dem Argonne National Laboratory .
Topologische Materialien sind nach einem Zweig der Mathematik benannt, der Formen basierend auf ihren unveränderlichen Eigenschaften beschreibt, die bestehen bleiben, egal wie sehr ein Objekt kontinuierlich aus seiner ursprünglichen Form gestreckt oder gestaucht wird. Topologische Materialien haben in ähnlicher Weise Eigenschaften, die trotz Änderungen ihrer Bedingungen, wie z. B. äußerer Störungen oder Verunreinigungen, konstant bleiben.
Es gibt verschiedene Arten von topologischen Materialien, darunter unter anderem Halbleiter, Leiter und Halbmetalle. Anfangs dachte man, dass es nur eine Handvoll solcher Materialien gibt, aber neuere Theorien und Berechnungen haben vorhergesagt, dass tatsächlich Tausende verschiedener Verbindungen zumindest einige topologische Eigenschaften aufweisen könnten. Der schwierige Teil besteht darin, experimentell herauszufinden, welche Verbindungen topologisch sein können.
Anwendungen für solche Materialien umfassen ein breites Spektrum, darunter Geräte, die Rechen- und Datenspeicherfunktionen ähnlich wie siliziumbasierte Geräte ausführen könnten, jedoch mit weitaus geringerem Energieverlust, oder Geräte zur effizienten Gewinnung von Strom aus Abwärme, beispielsweise in Wärmekraftwerken oder in elektronische Geräte. Topologische Materialien können auch supraleitende Eigenschaften haben, die möglicherweise zum Bau der Quantenbits für topologische Quantencomputer verwendet werden könnten.
All dies hängt jedoch davon ab, die richtigen Materialien zu entwickeln oder zu entdecken. „Um ein topologisches Material zu untersuchen, muss man zuerst bestätigen, ob das Material topologisch ist oder nicht“, sagt Li, „und dieser Teil ist auf herkömmliche Weise schwer zu lösen.“
Eine Methode namens Dichtefunktionaltheorie wird verwendet, um anfängliche Berechnungen durchzuführen, denen dann komplexe Experimente folgen müssen, bei denen ein Stück des Materials auf atomare Ebene gespalten und mit Instrumenten unter Hochvakuumbedingungen untersucht werden muss.
„Die meisten Materialien können aufgrund verschiedener technischer Schwierigkeiten nicht einmal gemessen werden“, sagt Nina Andrejevic. Aber für diejenigen, die es können, kann der Prozess lange dauern. „Das ist ein wirklich mühsames Verfahren“, sagt sie.
Während der traditionelle Ansatz auf der Messung der Photoemissionen oder Tunnelelektronen des Materials beruht, erklärt Li, beruht die neue Technik, die er und sein Team entwickelt haben, auf Absorption, insbesondere auf der Art und Weise, wie das Material Röntgenstrahlen absorbiert.
Im Gegensatz zu den teuren Geräten, die für herkömmliche Tests benötigt werden, sind Röntgenabsorptionsspektrometer leicht verfügbar und können bei Raumtemperatur und atmosphärischem Druck betrieben werden, ohne dass ein Vakuum erforderlich ist. Solche Messungen werden häufig in der Biologie, Chemie, Batterieforschung und vielen anderen Anwendungen durchgeführt, aber sie wurden bisher nicht zur Identifizierung topologischer Quantenmaterialien angewendet.
Die Röntgenabsorptionsspektroskopie liefert charakteristische Spektraldaten von einer gegebenen Materialprobe. Die nächste Herausforderung besteht darin, diese Daten und ihre Beziehung zu den topologischen Eigenschaften zu interpretieren. Dafür wandte sich das Team einem maschinellen Lernmodell zu, speiste eine Sammlung von Daten zu den Röntgenabsorptionsspektren bekannter topologischer und nicht-topologischer Materialien ein und trainierte das Modell, um die Muster zu finden, die die beiden miteinander in Beziehung setzen. Und tatsächlich fand sie solche Korrelationen.
„Überraschenderweise war dieser Ansatz zu über 90 Prozent genau, als er an mehr als 1500 bekannten Materialien getestet wurde“, sagt Nina Andrejevic und fügt hinzu, dass die Vorhersagen nur Sekunden dauern. „Dies ist angesichts der Komplexität des herkömmlichen Verfahrens ein spannendes Ergebnis.“
Obwohl das Modell funktioniert, wie bei vielen Ergebnissen des maschinellen Lernens, wissen die Forscher noch nicht genau, warum es funktioniert oder was der zugrunde liegende Mechanismus ist, der die Röntgenabsorption mit den topologischen Eigenschaften verbindet.
„Während die erlernte Funktion, die Röntgenspektren mit der Topologie in Beziehung setzt, komplex ist, könnte das Ergebnis darauf hindeuten, dass bestimmte Attribute, auf die die Messung anspricht, wie etwa lokale atomare Strukturen, wichtige topologische Indikatoren sind“, sagt Jovana Andrejevic.
Das Team hat das Modell verwendet, um ein Periodensystem zu erstellen, das die Gesamtgenauigkeit des Modells für Verbindungen anzeigt, die aus jedem der Elemente hergestellt wurden. Es dient als Hilfsmittel, um Forschern dabei zu helfen, Familien von Verbindungen zu finden, die die richtigen Eigenschaften für eine bestimmte Anwendung bieten können.
Die Forscher haben auch eine vorläufige Studie von Verbindungen erstellt, bei denen sie diese Röntgenmethode ohne vorherige Kenntnis ihres topologischen Status angewendet haben, und eine Liste von 100 vielversprechenden Kandidatenmaterialien zusammengestellt, von denen einige bereits als topologisch bekannt waren.
„Diese Arbeit stellt eine der ersten Anwendungen des maschinellen Lernens dar, um zu verstehen, was Experimente uns über komplexe Materialien zu sagen versuchen“, sagt Joel Moore, der Chern-Simons-Professor für Physik an der University of California in Berkeley, der nicht mit verbunden war diese Forschung.
„Viele Arten von topologischen Materialien sind theoretisch im Prinzip gut verstanden, aber Materialkandidaten zu finden und zu überprüfen, ob sie die richtige Topologie ihrer Bänder haben, kann eine Herausforderung sein. Maschinelles Lernen scheint eine neue Möglichkeit zu bieten, diese Herausforderung anzugehen: sogar experimentelle Daten deren Bedeutung für einen Menschen nicht sofort ersichtlich ist, kann durch den Algorithmus analysiert werden, und ich bin gespannt, welche neuen Materialien sich aus dieser Betrachtungsweise ergeben werden.“
Anatoly Frenkel, Professor am Department of Materials Science and Chemical Engineering an der Stony Brook University und leitender Chemiker am Brookhaven National Laboratory, kommentierte weiter: „Es war eine wirklich nette Idee, in Betracht zu ziehen, dass das Röntgenabsorptionsspektrum einen Schlüssel haben könnte auf den topologischen Charakter in der gemessenen Probe.“
Nina Andrejevic et al, Machine Learning Spectral Indicators of Topology, Fortgeschrittene Werkstoffe (2022). DOI: 10.1002/adma.202204113
Diese Geschichte wurde mit freundlicher Genehmigung von MIT News (web.mit.edu/newsoffice/), eine beliebte Website, die Neuigkeiten über MIT-Forschung, -Innovation und -Lehre enthält.