Einen schwer fassbaren magnetischen Effekt durch die Linse des maschinellen Lernens sehen

Supraleiter gelten seit langem als der Hauptansatz zur Realisierung von Elektronik ohne Widerstand. In den letzten zehn Jahren hat eine neue Familie von Quantenmaterialien, „topologische Materialien“, eine alternative, aber vielversprechende Möglichkeit geboten, Elektronik ohne Energiedissipation (oder -verlust) zu erreichen. Im Vergleich zu Supraleitern bieten topologische Materialien einige Vorteile, wie z. B. Robustheit gegenüber Störungen. Um die dissipationslosen elektronischen Zustände zu erreichen, ist ein Schlüsselweg der sogenannte „magnetische Näherungseffekt“, der auftritt, wenn Magnetismus leicht in die Oberfläche eines topologischen Materials eindringt. Die Beobachtung des Proximity-Effekts war jedoch eine Herausforderung.

Das Problem, so Zhantao Chen, ein promovierter Maschinenbauingenieur. Student am MIT, „ist, dass das Signal, nach dem die Menschen suchen, das darauf hinweist, dass dieser Effekt vorhanden ist, normalerweise zu schwach ist, um ihn mit herkömmlichen Methoden schlüssig nachzuweisen.“ Aus diesem Grund entschied sich ein Team von Wissenschaftlern – mit Sitz am MIT, der Pennsylvania State University und dem National Institute of Standards and Technology – für einen unkonventionellen Ansatz, der am Ende zu überraschend guten Ergebnissen führte.

Was unter und zwischen den Schichten liegt

In den letzten Jahren haben sich Forscher auf eine als polarisierte Neutronenreflektometrie (PNR) bekannte Technik verlassen, um die tiefenabhängige magnetische Struktur mehrschichtiger Materialien zu untersuchen und nach Phänomenen wie dem magnetischen Näherungseffekt zu suchen. Bei PNR werden zwei polarisierte Neutronenstrahlen mit entgegengesetztem Spin von der Probe reflektiert und auf einem Detektor gesammelt. „Trifft das Neutron auf einen magnetischen Fluss, wie er beispielsweise in einem magnetischen Material mit entgegengesetzter Orientierung vorkommt, ändert es seinen Spinzustand, was zu unterschiedlichen Signalen führt, die von den Spin-up- und Spin-down-Neutronenstrahlen gemessen werden“, erklärt Nina Andrejevic , Ph.D. in Materialwissenschaft und Werkstofftechnik. Als Ergebnis kann der Proximity-Effekt detektiert werden, wenn gezeigt wird, dass eine dünne Schicht aus einem normalerweise nichtmagnetischen Material – das unmittelbar benachbart zu einem magnetischen Material angeordnet ist – magnetisiert wird.

Aber der Effekt ist sehr subtil und reicht nur etwa 1 Nanometer in die Tiefe, und bei der Interpretation experimenteller Ergebnisse können Unklarheiten und Herausforderungen auftreten. „Durch die Einbeziehung von maschinellem Lernen in unsere Methodik hofften wir, ein klareres Bild davon zu bekommen, was vor sich geht“, bemerkt Mingda Li, Professorin für Karriereentwicklung bei Norman C. Rasmussen am Institut für Nuklearwissenschaft und -technik, die das Forschungsteam leitete. Diese Hoffnung wurde tatsächlich bestätigt, und die Ergebnisse des Teams wurden am 17 Angewandte Physik Review.

Die Forscher untersuchten einen topologischen Isolator – ein Material, das im Inneren elektrisch isolierend ist, an der Oberfläche aber elektrischen Strom leiten kann. Sie entschieden sich dafür, sich auf ein geschichtetes Materialsystem zu konzentrieren, das den topologischen Isolator Wismutselenid (Bi2Se3) umfasst, der mit dem ferromagnetischen Isolator Europiumsulfid (EuS) verbunden ist. Bi2Se3 ist an sich ein nichtmagnetisches Material, sodass die magnetische EuS-Schicht die Differenz zwischen den von den beiden polarisierten Neutronenstrahlen gemessenen Signalen dominiert. Mithilfe von maschinellem Lernen konnten die Forscher jedoch einen weiteren Beitrag zum PNR-Signal identifizieren und quantifizieren – die im Bi2Se3 an der Grenzfläche zur angrenzenden EuS-Schicht induzierte Magnetisierung. „Machine-Learning-Methoden sind sehr effektiv bei der Ermittlung zugrunde liegender Muster aus komplexen Daten und ermöglichen es, subtile Effekte wie den des Näherungsmagnetismus in der PNR-Messung zu erkennen“, sagt Andrejevic.

Wenn das PNR-Signal zum ersten Mal in das maschinelle Lernmodell eingespeist wird, ist es sehr komplex. Das Modell ist in der Lage, dieses Signal so zu vereinfachen, dass der Nahbesprechungseffekt verstärkt und damit auffälliger wird. Unter Verwendung dieser reduzierten Darstellung des PNR-Signals kann das Modell dann die induzierte Magnetisierung quantifizieren – die angibt, ob der magnetische Näherungseffekt beobachtet wird oder nicht – zusammen mit anderen Attributen des Materialsystems, wie Dicke, Dichte und Rauheit von die konstituierenden Schichten.

Bessere Sicht durch KI

„Wir haben die Mehrdeutigkeit, die in früheren Analysen auftrat, reduziert, dank der Verdopplung der Auflösung, die mit dem durch maschinelles Lernen unterstützten Ansatz erreicht wurde“, sagen Leon Fan und Henry Heiberger, an dieser Studie beteiligte Bachelor-Forscher. Das bedeutet, dass sie Materialeigenschaften auf Längenskalen von 0,5 nm erkennen konnten, was der Hälfte der typischen räumlichen Ausdehnung des Proximity-Effekts entspricht. Das ist vergleichbar damit, aus 20 Fuß Entfernung auf eine Tafel zu schauen und keines der Wörter zu verstehen. Aber wenn Sie diese Distanz halbieren könnten, könnten Sie vielleicht das Ganze lesen.

Der Datenanalyseprozess kann auch durch den Einsatz von maschinellem Lernen erheblich beschleunigt werden. „Früher konnte man wochenlang mit allen Parametern herumspielen, bis man die simulierte Kurve an die experimentelle Kurve anpassen konnte“, sagt Li. „Es kann viele Versuche brauchen, weil es das Gleiche ist [PNR] Signal könnte verschiedenen Kombinationen von Parametern entsprechen.“

„Das neuronale Netzwerk gibt Ihnen sofort eine Antwort“, fügt Chen hinzu. „Kein Rätselraten mehr. Kein Versuch und Irrtum mehr.“ Aus diesem Grund wurde das Framework in einigen Reflektometrie-Beamlines installiert, um die Analyse breiterer Materialtypen zu unterstützen.

Einige externe Beobachter haben die neue Studie gelobt – sie ist die erste, die die Wirksamkeit des maschinellen Lernens bei der Identifizierung des Nachbarschaftseffekts bewertet, und gehört zu den ersten auf maschinellem Lernen basierenden Paketen, die für die PNR-Datenanalyse verwendet werden. „Die Arbeit von Andrejevic et al. bietet einen alternativen Weg zur Erfassung der feinen Details in PNR-Daten und zeigt, wie eine höhere Auflösung durchgängig erreicht werden kann“, sagt Kang L. Wang, Distinguished Professor und Raytheon-Lehrstuhl für Elektrotechnik an der University of California in Los Angeles.

„Dies ist wirklich ein aufregender Fortschritt“, kommentiert Chris Leighton, Distinguished McKnight University Professor an der University of Minnesota. „Ihr neuer Ansatz für maschinelles Lernen könnte diesen Prozess nicht nur erheblich beschleunigen, sondern auch noch mehr Materialinformationen aus den verfügbaren Daten herausholen.“

Die MIT-geführte Gruppe erwägt bereits, den Umfang ihrer Untersuchungen zu erweitern. „Der magnetische Proximity-Effekt ist nicht der einzige schwache Effekt, der uns interessiert“, sagt Andrejevic. „Das von uns entwickelte Framework für maschinelles Lernen lässt sich leicht auf verschiedene Arten von Problemen übertragen, beispielsweise den supraleitenden Proximity-Effekt, der im Bereich des Quantencomputings von großem Interesse ist.“

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.