Voir un effet magnétique insaisissable à travers le prisme de l’apprentissage automatique
Les supraconducteurs ont longtemps été considérés comme la principale approche pour réaliser de l’électronique sans résistivité. Au cours de la dernière décennie, une nouvelle famille de matériaux quantiques, les matériaux topologiques, a offert un moyen alternatif mais prometteur pour réaliser une électronique sans dissipation (ou perte) d’énergie. Par rapport aux supraconducteurs, les matériaux topologiques offrent quelques avantages, comme la robustesse aux perturbations. Pour atteindre les états électroniques sans dissipation, une voie clé est ce que l’on appelle l’effet de proximité magnétique, qui se produit lorsque le magnétisme pénètre légèrement dans la surface d’un matériau topologique. Cependant, l’observation de l’effet de proximité a été difficile.
Le problème, selon Zhantao Chen, doctorant en génie mécanique au MIT, est que le signal que les gens recherchent et qui indiquerait la présence de cet effet est généralement trop faible pour être détecté de manière concluante avec les méthodes traditionnelles. C’est pourquoi une équipe de scientifiques basée au MIT, à l’Université d’État de Pennsylvanie et au National Institute of Standards and Technology a décidé d’essayer une approche non traditionnelle, qui a fini par donner des résultats étonnamment bons.
Ce qui se trouve sous et entre les couches
Depuis quelques années, les chercheurs s’appuient sur une technique connue sous le nom de réflectométrie à neutrons polarisés (PNR) pour sonder la structure magnétique dépendant de la profondeur des matériaux multicouches, ainsi que pour rechercher des phénomènes tels que l’effet de proximité magnétique. Dans le PNR, deux faisceaux de neutrons polarisés avec des spins opposés sont réfléchis par l’échantillon et collectés sur un détecteur. Si le neutron rencontre un flux magnétique, tel que celui trouvé à l’intérieur d’un matériau magnétique, qui a l’orientation opposée, il changera son état de spin, ce qui entraînera différents signaux mesurés à partir des faisceaux de neutrons de spin up et spin down, explique Nina Andrejevic, PhD. en science et génie des matériaux. En conséquence, l’effet de proximité peut être détecté si une fine couche d’un matériau normalement non magnétique placé immédiatement à côté d’un matériau magnétique s’avère être magnétisée.
Mais l’effet est très subtil, ne s’étendant que sur environ 1 nanomètre de profondeur, et des ambiguïtés et des défis peuvent survenir lorsqu’il s’agit d’interpréter les résultats expérimentaux. En intégrant l’apprentissage automatique dans notre méthodologie, nous espérions obtenir une image plus claire de ce qui se passait, note Mingda Li, professeur de développement de carrière Norman C. Rasmussen au Département des sciences et de l’ingénierie nucléaires qui dirigeait l’équipe de recherche. Cet espoir s’est en effet confirmé, et les conclusions de l’équipe ont été publiées le 17 mars dans un articleRevue de physique appliquée.
Les chercheurs ont étudié un isolant topologique, un matériau qui est électriquement isolant à l’intérieur mais qui peut conduire le courant électrique à la surface. Ils ont choisi de se concentrer sur un système de matériaux en couches comprenant l’isolant topologique séléniure de bismuth (Bi2Se3) interfacé avec l’isolant ferromagnétique sulfure d’europium (EuS). Bi2Se3est, en soi, un matériau non magnétique, de sorte que la couche magnétique EuS domine la différence entre les signaux mesurés par les deux faisceaux de neutrons polarisés. Cependant, avec l’aide de l’apprentissage automatique, les chercheurs ont pu identifier et quantifier une autre contribution au signal PNR l’aimantation induite dans le Bi2Se3à l’interface avec la couche EuS adjacente. Les méthodes d’apprentissage automatique sont très efficaces pour dégager des modèles sous-jacents à partir de données complexes, ce qui permet de discerner des effets subtils comme celui du magnétisme de proximité dans la mesure PNR, explique Andrejevic.
Lorsque le signal PNR est transmis pour la première fois au modèle d’apprentissage automatique, il est très complexe. Le modèle est capable de simplifier ce signal afin que l’effet de proximité soit amplifié et devienne ainsi plus visible. En utilisant cette représentation épurée du signal PNR, le modèle peut ensuite quantifier l’aimantation induite indiquant si l’effet de proximité magnétique est observé ou non avec d’autres attributs du système de matériaux, tels que l’épaisseur, la densité et la rugosité du constituant. couches.
Mieux voir grâce à l’IA
Nous avons réduit l’ambiguïté qui a surgi dans les analyses précédentes, grâce au doublement de la résolution obtenue en utilisant l’approche assistée par l’apprentissage automatique, disent Leon Fan et Henry Heiberger, chercheurs de premier cycle participant à cette étude. Cela signifie qu’ils pouvaient discerner les propriétés des matériaux à des échelles de longueur de 0,5 nm, soit la moitié de l’étendue spatiale typique de l’effet de proximité. C’est comme regarder écrire sur un tableau noir à 20 pieds de distance et ne pouvoir distinguer aucun des mots. Mais si vous pouviez réduire cette distance de moitié, vous pourriez peut-être tout lire.
Le processus d’analyse des données peut également être considérablement accéléré en s’appuyant sur l’apprentissage automatique. Auparavant, vous pouviez passer des semaines à jouer avec tous les paramètres jusqu’à ce que vous puissiez obtenir la courbe simulée pour s’adapter à la courbe expérimentale, dit Li. Cela peut prendre plusieurs essais parce que le même [PNR] signal pourrait correspondre à différentes combinaisons de paramètres.
Le réseau de neurones vous donne une réponse immédiate, ajoute Chen. Il n’y a plus de conjecture. Plus d’essais et d’erreurs. Pour cette raison, le cadre a été installé dans quelques lignes de lumière de réflectométrie pour prendre en charge l’analyse de types de matériaux plus larges.
Certains observateurs extérieurs ont salué la nouvelle étude qui est la première à évaluer l’efficacité de l’apprentissage automatique dans l’identification de l’effet de proximité, et parmi les premiers packages basés sur l’apprentissage automatique utilisés pour l’analyse des données PNR. Les travaux d’Andrejevic et al. offre une voie alternative pour capturer les détails fins des données PNR, montrant comment une résolution plus élevée peut être systématiquement obtenue, déclare Kang L. Wang, professeur émérite et titulaire de la chaire Raytheon en génie électrique à l’Université de Californie à Los Angeles.
C’est vraiment une avancée passionnante, commente Chris Leighton, professeur émérite de l’Université McKnight à l’Université du Minnesota. Leur nouvelle approche d’apprentissage automatique pourrait non seulement accélérer considérablement ce processus, mais également extraire encore plus d’informations sur les matériaux à partir des données disponibles.
Le groupe dirigé par le MIT envisage déjà d’élargir la portée de ses enquêtes. L’effet de proximité magnétique n’est pas le seul effet faible qui nous intéresse, dit Andrejevic. Le cadre d’apprentissage automatique que nous avons développé est facilement transférable à différents types de problèmes, tels que l’effet de proximité supraconducteur, qui présente un grand intérêt dans le domaine de l’informatique quantique.
Cette recherche a été financée par le programme de diffusion des neutrons du Département de l’énergie des États-Unis.