麻省理工學院的一個團隊利用人工智能來促進對一種有趣的材料現象的檢測，這種現象可以催生出不存在能量耗散的電子器件。長期以來，超導體一直被認為是實現沒有電阻率的電子產品的主要方法。在過去的十年中，一個新的量子材料系列，”拓撲材料”為實現沒有能量耗散（或損失）的電子產品提供了一個替代但有希望的手段。

與超導體相比，拓撲材料具有一些優勢，如抗干擾性強。為了達到無耗散的電子狀態，一個關鍵的途徑是所謂的”磁接近效應”，當磁力稍微滲透到拓撲材料的表面時，就會發生這種效應。然而，觀察臨近效應一直是個挑戰。

麻省理工學院機械工程博士生陳占濤（音譯）說，”問題是，人們正在尋找的表明存在這種效應的信號通常太弱，無法用傳統方法進行確鑿的檢測。”這就是為什麼一個科學家團隊–位於麻省理工學院、賓夕法尼亞州立大學和國家標準與技術研究所–決定嘗試一種非傳統的方法最終產生了令人驚訝的好結果。

在過去的幾年裡，研究人員依靠一種被稱為偏振中子反射儀（PNR）的技術來探測多層材料的深度相關的磁性結構，以及尋找諸如磁接近效應等現象。在PNR中，兩個具有相反自旋的偏振中子束被從樣品中反射出來，並在一個探測器上收集。”如果中子遇到一個磁通，比如在磁性材料內部發現的磁通，它具有相反的方向，它將改變其自旋狀態，導致從自旋上升和自旋下降的中子束中測量到不同的信號，”材料科學和工程博士Nina Andrejevic解釋道。因此，如果一個通常非磁性材料的薄層–緊挨著磁性材料放置–顯示出被磁化，就可以檢測到磁接近效應。

但是這種效應非常微妙，只延伸了大約1納米的深度，當涉及到解釋實驗結果時，可能會出現含糊不清的情況和挑戰。領導該研究小組的核科學與工程系Norman C. Rasmussen職業發展教授李明達（音譯）指出：”通過將機器學習引入我們的方法，我們希望能更清楚地了解發生了什麼。這一希望確實得到了證實，研究小組的發現於2022年3月17日發表在《應用物理評論》上。”

研究人員調查了一種拓撲絕緣體–一種在內部是電絕緣的，但在表面可以傳導電流的材料。他們選擇關註一個由拓撲絕緣體硒化鉍（Bi2Se3）和鐵磁絕緣體硫化銪（EuS）組成的層狀材料系統。Bi2Se3本身是一種非磁性材料，因此磁性的EuS層主導了兩個偏振中子束測量的信號之間的差異。然而，在機器學習的幫助下，研究人員能夠識別並量化對PNR信號的另一個貢獻–在Bi2Se3與相鄰的EuS層的界面上誘導的磁化。Andrejevic說：”機器學習方法在從復雜的數據中引出潛在的模式方面非常有效，使我們有可能辨別出PNR測量中像鄰近磁化那樣的微妙影響。”

當PNR信號第一次被送入機器學習模型時，它是非常複雜的。該模型能夠簡化這一信號，使接近效應被放大，從而變得更加顯眼。利用PNR信號的這種簡化表示，該模型然後可以量化誘導磁化–表明是否觀察到磁接近效應–以及材料系統的其他屬性，如組成層的厚度、密度和粗糙度。

通過人工智能更好地輔助觀察

“我們已經減少了以前分析中出現的模糊性，這要歸功於使用機器學習輔助方法實現的分辨率翻倍，”參與這項研究的本科生研究人員Leon Fan和Henry Heiberger說。這意味著他們可以在0.5納米的長度尺度上辨別材料特性，這是接近效應的典型空間範圍的一半。這就好比從20英尺外看黑板上的文字，卻無法看清任何文字。但是如果你能把這個距離減少一半，你可能就能看清所有內容。

通過對機器學習的依賴，數據分析過程也可以大大加快。該框架已被安裝在幾條反射儀光束線上，以支持更廣泛類型的材料分析。

一些外部觀察家讚揚了這項新的研究–它是第一個評估機器學習在識別接近效應方面的有效性的研究，也是第一批用於PNR數據分析的基於機器學習的軟件包之一。加州大學洛杉磯分校電氣工程系特聘教授兼雷神講座教授Kang L. Wang說：”Andrejevic等人的工作為捕捉PNR數據中的精細細節提供了另一種途徑，顯示瞭如何能夠持續實現更高的分辨率。”

明尼蘇達大學麥克奈特大學特聘教授Chris Leighton評論說：”這確實是一個令人興奮的進步。他們新的機器學習方法不僅可以大大加快這一過程，而且可以從現有數據中擠出更多的材料信息”。

由麻省理工學院領導的小組已經在考慮擴大他們的研究範圍。”磁接近效應並不是我們唯一關心的弱效應，”Andrejevic說。”我們開發的機器學習框架很容易轉移到不同種類的問題上，比如超導接近效應，這在量子計算領域是很有意義的。”