L'une des tâches les plus fastidieuses et les plus décourageantes pour les assistants de premier cycle dans les laboratoires de recherche universitaires consiste à regarder pendant des heures au microscope des échantillons de matériau, en essayant de trouver des monocouches.

Ces matériaux bidimensionnels (moins de 1/100 000e de la largeur d'un cheveu humain) sont très recherchés pour une utilisation dans les appareils électroniques, photoniques et optoélectroniques en raison de leurs propriétés uniques.

"Les laboratoires de recherche embauchent des armées d'étudiants de premier cycle pour ne rien faire d'autre que rechercher des monocouches", explique Jaime Cardenas, professeur adjoint d'optique à l'Université de Rochester. "C'est très fastidieux, et si vous êtes fatigué, vous risquez de manquer certaines des monocouches ou de commencer à faire des erreurs d'identification."

Même après tout ce travail, les laboratoires doivent revérifier les matériaux avec une spectroscopie Raman ou une microscopie à force atomique coûteuses.

Jesús Sánchez Juárez, un doctorat. étudiant au Cardenas Lab, a rendu la vie beaucoup plus facile aux étudiants de premier cycle, à leurs laboratoires de recherche et aux entreprises qui rencontrent des difficultés similaires pour détecter les monocouches.

La technologie révolutionnaire, un dispositif de numérisation automatisé décrit dans Optical Materials Express , peut détecter les monocouches avec une précision de 99,9 %, surpassant toute autre méthode à ce jour.

À une fraction du coût. En bien moins de temps. Avec des matériaux facilement disponibles.

"L'un des principaux objectifs était de développer un système avec un très petit budget afin que les étudiants et les laboratoires puissent reproduire ces méthodologies sans avoir à investir des milliers et des milliers de dollars juste pour acheter l'équipement nécessaire", explique Sánchez Juárez, l'auteur principal de le papier.

Par exemple, l'appareil qu'il a créé peut être reproduit avec un microscope peu coûteux avec un objectif 5X et une caméra OEM (fabricant d'équipement d'origine) à faible coût.

Une adaptation créative d'un réseau de neurones IA

"Nous sommes très excités", a déclaré Cardenas. "Jesús a fait plusieurs choses ici qui sont nouvelles et différentes, en appliquant l'intelligence artificielle d'une manière originale pour résoudre un problème majeur dans l'utilisation de matériaux 2D."

De nombreux laboratoires ont tenté d'éliminer le besoin de tests de caractérisation de secours coûteux en formant un réseau neuronal d'intelligence artificielle (IA) pour rechercher les monocouches. La plupart des laboratoires qui ont essayé cette approche tentent de créer un réseau à partir de zéro, ce qui prend beaucoup de temps, explique Cardenas.

Au lieu de cela, Sánchez Juárez a commencé avec un réseau de neurones accessible au public appelé AlexNet qui est déjà formé pour reconnaître des objets.

Il a ensuite développé un nouveau processus qui inverse les images des matériaux afin que tout ce qui était brillant sur l'image originale apparaisse à la place en noir, et vice versa. Les images inversées sont soumises à des étapes de traitement supplémentaires. À ce stade, les images "ne semblent pas du tout bonnes à l'œil humain", déclare Cardenas, "mais pour un ordinateur, il est plus facile de séparer les monocouches des substrats sur lesquels elles sont déposées."

Conclusion :par rapport à ces longues et fastidieuses heures de numérisation par les étudiants de premier cycle, le système de Sánchez Juárez peut traiter 100 images couvrant des échantillons de 1 centimètre x 1 centimètre en neuf minutes avec une précision de près de 100 %.

"Notre démonstration ouvre la voie à la production automatisée de matériaux monocouches destinés à la recherche et à l'industrie en réduisant considérablement le temps de traitement", écrit Sánchez Juárez dans l'article. Les applications incluent les matériaux 2D adaptés aux photodétecteurs, les dispositifs électroluminescents excitoniques (LED), les lasers, la génération optique de courants de vallée de spin, l'émission de photons uniques et les modulateurs. + Explorer plus loin

Energy-efficient AI hardware technology via a brain-inspired stashing system