Квантовые материалы и машинное обучение: шаг к бездиссипационной электронике

Суперпроводники долгое время считались основным подходом к созданию электроники без сопротивления. В последнее десятилетие новый класс квантовых материалов, «топологические материалы», предложил альтернативный, но перспективный способ достижения электроники без диссипации энергии. В отличие от суперпроводников, топологические материалы обеспечивают ряд преимуществ, таких как устойчивость к возмущениям. Главный путь к достижению бездиссипационных состояний электронов - так называемый «эффект магнитного сближения». Однако наблюдение этого эффекта является сложной задачей. Проблема, по словам Жантао Чэна, аспиранта факультета механического инжиниринга в MIT, заключается в том, что «сигнал, который ищут ученые и который указывал бы на наличие этого эффекта, обычно слишком слаб, чтобы его можно было определить традиционными методами». Вот почему команда ученых из MIT, Университета штата Пенсильвания и Национального института стандартов и технологий решила попробовать нетрадиционный подход, который в результате принес удивительно хорошие результаты. В последние годы исследователи использовали метод поляризованной нейтронной рефлектометрии (PNR) для изучения магнитной структуры многослойных материалов, а также для поиска явлений, таких как магнитный эффект сближения. В PNR два поляризованных нейтронных луча с противоположными спинами отражаются от образца и регистрируются на детекторе. «Если нейтрон сталкивается с магнитным потоком, например, внутри магнитного материала, который имеет противоположную ориентацию, он изменяет свое состояние спина, что приводит к различным сигналам, измеренным от нейтронных лучей с разными спинами», объясняет Нина Андреевич, PhD в области материаловедения и инжиниринга. Эффект магнитного сближения может быть обнаружен, если тонкий слой обычно немагнитного материала, расположенного рядом с магнитным материалом, становится намагниченным. Однако этот эффект очень тонкий, простирается всего на 1 нанометр в глубину, и при интерпретации экспериментальных результатов могут возникнуть неоднозначности и сложности. «Внедрение машинного обучения в нашу методологию позволило нам получить более четкую картину того, что происходит», отмечает Мингда Ли, профессор карьерного развития Нормана Расмуссена в отделе ядерной науки и инжиниринга, возглавляющий исследовательскую группу. Эта надежда была действительно подтверждена, и результаты работы команды были опубликованы 17 марта в статье в Applied Physics Review.