Tout comme le Terminator-800 de James Cameron était capable de faire la distinction entre « vêtements, bottes, et une moto, " L'apprentissage automatique pourrait identifier différents domaines d'intérêt sur les matériaux 2D.

Le simple, identification optique automatisée de zones physiques fondamentalement différentes sur ces matériaux (par exemple, zones à dopage, souche, et désordre électronique) pourrait accélérer considérablement la science des matériaux atomiquement minces.

Les couches de matière atomiquement minces (ou 2-D) sont une nouvelle classe émergente de matériaux qui serviront de base à l'informatique écoénergétique de nouvelle génération, l'optoélectronique et les futurs smartphones.

"Sans aucun contrôle, des algorithmes d'apprentissage automatique ont pu discriminer des zones différemment perturbées sur un matériau semi-conducteur 2D, " explique l'auteur principal, le Dr Pavel Kolesnichenko. " Cela peut conduire à des caractérisation assistée par machine des matériaux 2D dans le futur, l'accélération de l'application de ces matériaux dans les smartphones basse consommation de nouvelle génération."

L'automatisation ouvrant le champ des matériaux atomiquement minces

Après le succès en 2004 d'une seule couche de graphite de crayon (graphène) en tant que matériau semi-métallique merveilleux avec de nombreuses propriétés particulières, des scientifiques du monde entier ont réalisé que d'autres matériaux stratifiés peuvent également être réduits en une seule couche (une « monocouche »).

Depuis, des dizaines d'autres monocouches ont été obtenues, y compris les métaux, semi-conducteurs, isolants, et des matériaux quantiques plus exotiques tels que les isolants topologiques, supraconducteurs et ferromagnétiques.

Disposant de ce zoo monocouche, les scientifiques des matériaux les ont utilisés comme des "blocs LEGO" :par exemple en les empilant dans de nombreuses combinaisons différentes pour construire des transistors de nouvelle génération, piles, cellules mémoire et photodiodes.

Tous ces appareils, cependant, ont été assemblés manuellement et existent sous forme de prototypes uniques. Le chemin vers leur production et leur commercialisation à l'échelle industrielle est encore long.

Plusieurs facteurs contribuent à entraver le progrès. Le premier est le manque de contrôle total sur la fabrication des matériaux monocouches. En outre, les techniques de caractérisation actuelles sont compliquées et nécessitent l'œil d'un chercheur expérimenté. Finalement, en raison de l'extrême finesse des matériaux, ces derniers sont extrêmement sensibles à diverses perturbations, dont beaucoup sont introduits involontairement. Comprendre ces perturbations est une tâche non triviale, car ils peuvent avoir un effet combiné et doivent être démêlés.

Le Dr Pavel Kolesnichenko et le professeur Jeffrey Davis (Swinburne University of Technology) ont réalisé que la tâche ingrate de caractérisation des matériaux 2D pouvait être accomplie par des machines de manière rapide et automatisée.

"Afin de comprendre l'impact des différentes perturbations et de minimiser ou contrôler leur présence, il est important de pouvoir les identifier ainsi que leur répartition spatiale de manière rapide et fiable, " a déclaré le professeur Davis, qui est chercheur en chef au Centre d'excellence de l'ARC dans les futures technologies électroniques à faible consommation d'énergie (FLEET).

En collaboration avec le collègue de FLEET, le professeur Michael Fuhrer (Université de Monash), ils ont appliqué des algorithmes d'apprentissage automatique non supervisés pour caractériser la monocouche semi-conductrice de disulfure de tungstène. Les données ont été acquises par un appareil simple impliquant un microscope et un spectromètre. Les algorithmes d'apprentissage ont alors pu discriminer entre les zones d'un éclat monocouche affectées par le dopage, souche, désordre, et la présence de couches supplémentaires.

C'est la première fois qu'un démêlage aussi systématique de ces perturbations est réalisé.

La tâche a été accomplie en incorporant les données acquises dans un espace de paramètres multidimensionnel construit artificiellement. Les algorithmes d'apprentissage ont ensuite permis de trouver un moyen de visualiser les données en deux dimensions compréhensibles et de la manière la plus représentative, où chaque perturbation a formé son propre cluster de données.

L'équipe s'est appuyée sur des résultats scientifiques antérieurs dans le domaine, y compris leur publication précédente, où ils ont démêlé les perturbations en utilisant des spectres de photoluminescence et d'absorption corrélés.

"Tant de facteurs peuvent affecter les propriétés optoélectroniques des matériaux 2D, y compris le type de substrat, dopage supplémentaire, souche, la présence de rides, défauts, et les molécules environnementales - vous l'appelez, " a déclaré le Dr Pavel Kolesnichenko (maintenant post-doctorant à l'Université de Lund). " Ainsi, passer à un espace paramétrique multidimensionnel semblait être une prochaine étape naturelle."

"Nous espérons également que la recherche motivera les scientifiques à appliquer des idées similaires à d'autres matériaux 2D et à utiliser d'autres modalités d'imagerie, " dit Pavel.

À l'ère de la science et de la technologie axées sur les données, les auteurs espèrent que leurs recherches motiveront la création d'un grand ensemble de données étiquetées, où les étiquettes (telles que 'dopage, " 'souche, " etc) seraient attribués par des chercheurs expérimentés. Cet ensemble de données serait ensuite utilisé pour former des réseaux de neurones profonds pour caractériser les matériaux 2D en une fraction de seconde. Les chercheurs pensent que leurs travaux contribueront à introduire des normes pour la caractérisation de la matière monocouche. , l'approche du moment de l'utilisation à grande échelle de smartphones et d'ordinateurs à faible consommation d'énergie à l'avenir.