Die KI-Lösung macht die Suche nach schwer fassbaren Monolayern viel einfacher

Eine der mühsamsten und entmutigendsten Aufgaben für studentische Hilfskräfte in Forschungslabors von Universitäten besteht darin, stundenlang durch ein Mikroskop Materialproben zu betrachten und zu versuchen, Monoschichten zu finden.

Diese zweidimensionalen Materialien – weniger als 1/100.000 der Breite eines menschlichen Haares – sind aufgrund ihrer einzigartigen Eigenschaften für den Einsatz in Elektronik, Photonik und optoelektronischen Geräten sehr begehrt.

„Forschungslabors stellen Armeen von Studenten ein, die nichts anderes tun, als nach Monoschichten zu suchen“, sagt Jaime Cardenas, Assistenzprofessor für Optik an der University of Rochester. „Es ist sehr mühsam, und wenn Sie müde werden, verpassen Sie möglicherweise einige der Monolayer oder Sie beginnen, falsche Identifizierungen vorzunehmen.“

Selbst nach all dieser Arbeit müssen die Labore die Materialien dann noch einmal mit teurer Raman-Spektroskopie oder Rasterkraftmikroskopie überprüfen.

Jesús Sánchez Juárez, ein Ph.D. Student im Cardenas Lab, hat das Leben für Studenten, ihre Forschungslabors und Unternehmen, die beim Nachweis von Monolayern auf ähnliche Schwierigkeiten stoßen, erheblich erleichtert.

Die bahnbrechende Technologie, ein automatisiertes Scangerät, beschrieben in Express für optische Materialienkann Monolayer mit einer Genauigkeit von 99,9 % erkennen und übertrifft damit alle anderen bisherigen Methoden.

Zu einem Bruchteil der Kosten. In viel kürzerer Zeit. Mit leicht verfügbaren Materialien.

„Eines der Hauptziele war die Entwicklung eines Systems mit einem sehr kleinen Budget, damit Studenten und Labore diese Methoden replizieren können, ohne Tausende und Abertausende von Dollar investieren zu müssen, nur um die notwendige Ausrüstung zu kaufen“, sagt Sánchez Juárez, der Hauptautor von das Papier.

Beispielsweise kann das von ihm entwickelte Gerät mit einem kostengünstigen Mikroskop mit einem 5X-Objektiv und einer kostengünstigen OEM-Kamera (Original Equipment Manufacturer) nachgebaut werden.

Eine kreative Adaption eines neuronalen KI-Netzwerks

„Wir sind sehr aufgeregt“, sagt Cardenas. „Jesús hat hier mehrere Dinge getan, die neu und anders sind, indem er künstliche Intelligenz auf neuartige Weise angewendet hat, um ein großes Problem bei der Verwendung von 2D-Materialien zu lösen.“

Viele Labore haben versucht, die Notwendigkeit kostspieliger Backup-Charakterisierungstests zu eliminieren, indem sie ein neuronales Netzwerk mit künstlicher Intelligenz (KI) darauf trainiert haben, nach Monolayern zu suchen. Die meisten Labore, die diesen Ansatz ausprobiert haben, versuchen, ein Netzwerk von Grund auf neu aufzubauen, was viel Zeit in Anspruch nimmt, sagt Cardenas.

Stattdessen begann Sánchez Juárez mit einem öffentlich zugänglichen neuronalen Netzwerk namens AlexNet, das bereits darauf trainiert ist, Objekte zu erkennen.

Anschließend entwickelte er ein neuartiges Verfahren, das Bilder von Materialien invertiert, sodass alles, was auf dem Originalbild hell war, stattdessen schwarz erscheint und umgekehrt. Die invertierten Bilder durchlaufen zusätzliche Verarbeitungsschritte. An diesem Punkt sehen die Bilder „für das menschliche Auge überhaupt nicht gut aus“, sagt Cardenas, „aber für einen Computer ist es einfacher, die Monoschichten von den Substraten zu trennen, auf denen sie abgeschieden sind.“

Fazit: Verglichen mit den langen, ermüdenden Stunden des Scannens durch Studenten im Grundstudium kann das System von Sánchez Juárez 100 Bilder, die 1 cm x 1 cm große Proben abdecken, in neun Minuten mit nahezu 100-prozentiger Genauigkeit verarbeiten.

„Unsere Demonstration ebnet den Weg für die automatisierte Herstellung von Monoschichtmaterialien für den Einsatz in Forschung und Industrie, indem die Verarbeitungszeit erheblich verkürzt wird“, schreibt Sánchez Juárez in der Zeitung. Zu den Anwendungen gehören 2D-Materialien, die für Fotodetektoren, exzitonische Leuchtdioden (LEDs), Laser, optische Erzeugung von Spin-Valley-Strömen, Einzelphotonenemission und Modulatoren geeignet sind.