Erklärbare KI-basierte physikalische Theorie für fortschrittliches Materialdesign

Die mikroskopische Materialanalyse ist unerlässlich, um die gewünschte Leistung in nanoelektronischen Geräten der nächsten Generation zu erreichen, wie z. B. geringer Stromverbrauch und hohe Geschwindigkeiten. Die an solchen Geräten beteiligten magnetischen Materialien weisen jedoch oft unglaublich komplexe Wechselwirkungen zwischen Nanostrukturen und magnetischen Domänen auf. Dies wiederum macht funktionales Design zu einer Herausforderung.

Traditionell haben Forscher eine visuelle Analyse der mikroskopischen Bilddaten durchgeführt. Dies macht die Interpretation solcher Daten jedoch oft qualitativ und höchst subjektiv. Was fehlt, ist eine kausale Analyse der Mechanismen, die den komplexen Wechselwirkungen in nanoskaligen magnetischen Materialien zugrunde liegen.

In einem kürzlich veröffentlichten Durchbruch in Wissenschaftliche Berichte, gelang es einem Forscherteam unter der Leitung von Prof. Masato Kotsugi von der Tokyo University of Science, Japan, die Interpretation der mikroskopischen Bilddaten zu automatisieren. Sie erreichten dies mithilfe eines „erweiterten Landau-Modells für freie Energie“, das sie mithilfe einer Kombination aus Topologie, Datenwissenschaft und freier Energie entwickelt haben.

Das Modell veranschaulichte den physikalischen Mechanismus sowie den kritischen Ort des magnetischen Effekts und schlug eine optimale Struktur für ein Nanogerät vor. Das Modell verwendete physikbasierte Merkmale, um Energielandschaften im Informationsraum zu zeichnen, die angewendet werden könnten, um die komplexen Wechselwirkungen im Nanomaßstab in einer Vielzahl von Materialien zu verstehen.

„Herkömmliche Analysen basieren auf einer visuellen Untersuchung von Mikroskopbildern, und die Beziehungen zur Materialfunktion werden nur qualitativ ausgedrückt, was einen großen Engpass für das Materialdesign darstellt die komplexen Phänomene innerhalb dieser Materialien. Dieser Ansatz überwindet das Erklärbarkeitsproblem, mit dem Deep Learning konfrontiert ist, das in gewisser Weise darauf hinausläuft, neue physikalische Gesetze neu zu erfinden“, erklärt Prof. Kotsugi.

Beim Entwerfen des Modells nutzte das Team modernste Techniken in den Bereichen Topologie und Datenwissenschaft, um das Landau-Modell für freie Energie zu erweitern. Dies führte zu einem Modell, das eine kausale Analyse der Magnetisierungsumkehr in Nanomagneten ermöglichte. Das Team führte dann eine automatisierte Identifizierung des physischen Ursprungs und eine Visualisierung der ursprünglichen Magnetdomänenbilder durch.

Ihre Ergebnisse zeigten, dass die Entmagnetisierungsenergie in der Nähe eines Defekts zu einem magnetischen Effekt führt, der für das „Pinning-Phänomen“ verantwortlich ist. Darüber hinaus war das Team in der Lage, die räumliche Konzentration von Energiebarrieren zu visualisieren, eine Leistung, die bisher nicht erreicht worden war. Schließlich schlug das Team ein topologisch inverses Design von Aufzeichnungsgeräten und Nanostrukturen mit geringem Stromverbrauch vor.

Es wird erwartet, dass das in dieser Studie vorgeschlagene Modell zu einer breiten Palette von Anwendungen in der Entwicklung von Spintronikgeräten, Quanteninformationstechnologie und Web 3 beitragen wird.

„Unser vorgeschlagenes Modell eröffnet neue Möglichkeiten zur Optimierung magnetischer Eigenschaften für die Werkstofftechnik. Mit der erweiterten Methode können wir endlich klären, ‚warum‘ und ‚wo‘ die Funktion eines Materials zum Ausdruck kommt sich auf visuelle Inspektion verlassen, können jetzt quantifiziert werden, um ein präzises funktionales Design zu ermöglichen“, schließt Prof. Kotsugi.