科学探索|MIT研究人员利用AI技术发现多层电子材料的隐藏磁力特性 MIT研究人员利用AI技术发现多层

麻省理工学院的一个团队利用人工智能来促进对一种有趣的材料现象的检测，这种现象可以催生出不存在能量耗散的电子器件。长期以来，超导体一直被认为是实现没有电阻率的电子产品的主要方法。在过去的十年中，一个新的量子材料系列， "拓扑材料"为实现没有能量耗散（或损失）的电子产品提供了一个替代但有希望的手段。
与超导体相比，拓扑材料具有一些优势，如抗干扰性强。为了达到无耗散的电子状态，一个关键的途径是所谓的"磁接近效应" ，当磁力稍微渗透到拓扑材料的表面时，就会发生这种效应。然而，观察临近效应一直是个挑战。

文章图片

麻省理工学院机械工程博士生陈占涛（音译）说， "问题是，人们正在寻找的表明存在这种效应的信号通常太弱，无法用传统方法进行确凿的检测。"这就是为什么一个科学家团队--位于麻省理工学院、宾夕法尼亚州立大学和国家标准与技术研究所--决定尝试一种非传统的方法最终产生了令人惊讶的好结果。
在过去的几年里，研究人员依靠一种被称为偏振中子反射仪（PNR）的技术来探测多层材料的深度相关的磁性结构，以及寻找诸如磁接近效应等现象。在PNR中，两个具有相反自旋的偏振中子束被从样品中反射出来，并在一个探测器上收集。"如果中子遇到一个磁通，比如在磁性材料内部发现的磁通，它具有相反的方向，它将改变其自旋状态，导致从自旋上升和自旋下降的中子束中测量到不同的信号， "材料科学和工程博士Nina Andrejevic解释道。因此，如果一个通常非磁性材料的薄层--紧挨着磁性材料放置--显示出被磁化，就可以检测到磁接近效应。
但是这种效应非常微妙，只延伸了大约1纳米的深度，当涉及到解释实验结果时，可能会出现含糊不清的情况和挑战。领导该研究小组的核科学与工程系Norman C. Rasmussen职业发展教授李明达（音译）指出："通过将机器学习引入我们的方法，我们希望能更清楚地了解发生了什么。这一希望确实得到了证实，研究小组的发现于2022年3月17日发表在《应用物理评论》上。"
研究人员调查了一种拓扑绝缘体--一种在内部是电绝缘的，但在表面可以传导电流的材料。他们选择关注一个由拓扑绝缘体硒化铋（Bi2Se3）和铁磁绝缘体硫化铕（EuS）组成的层状材料系统。Bi2Se3本身是一种非磁性材料，因此磁性的EuS层主导了两个偏振中子束测量的信号之间的差异。然而，在机器学习的帮助下，研究人员能够识别并量化对PNR信号的另一个贡献--在Bi2Se3与相邻的EuS层的界面上诱导的磁化。Andrejevic说："机器学习方法在从复杂的数据中引出潜在的模式方面非常有效，使我们有可能辨别出PNR测量中像邻近磁化那样的微妙影响。"
当PNR信号第一次被送入机器学习模型时，它是非常复杂的。该模型能够简化这一信号，使接近效应被放大，从而变得更加显眼。利用PNR信号的这种简化表示，该模型然后可以量化诱导磁化--表明是否观察到磁接近效应--以及材料系统的其他属性，如组成层的厚度、密度和粗糙度。