Magneettinen läheisyysvaikutus esiin

04.04.2022

MIT-Proximity-Effect-250-t.jpgMIT-tutkijat löysivät piilottelevia magneettisia ominaisuuksia monikerroksisesta elektronisesta materiaalista analysoimalla polarisoituneita neutroneja neuroverkkojen avulla.

MIT-tiimi käyttää tekoälyä helpottaakseen erään kiehtovan materiaali-ilmiön havaitsemista, joka voi johtaa elektroniikkaan ilman energiahäviötä.

Suprajohteita on pitkään pidetty pääasiallisena tapana toteuttaa elektroniikkaa ilman resistanssia. Viimeisen vuosikymmenen aikana uusi kvanttimateriaalien perhe, "topologiset materiaalit", on tarjonnut vaihtoehtoisen lupaavan tavan saavuttaa elektroniikka ilman energiahävikkiä.

Suprajohtimiin verrattuna topologiset materiaalit tarjoavat muutamia etuja, kuten kestävyyden häiriöitä vastaan. Hajoamattomien elektronisten tilojen saavuttamiseksi yksi avainreitti on niin kutsuttu "magneettinen läheisyysilmiö", joka syntyy, kun magnetismi tunkeutuu hieman topologisen materiaalin pintaan. Läheisyysvaikutuksen havaitseminen on kuitenkin ollut haastavaa.

Muutaman viime vuoden ajan tutkijat ovat luottaneet tekniikkaan, joka tunnetaan nimellä polarized neutron reflectometry (PNR), tutkiakseen monikerroksisten materiaalien syvyydestä riippuvaa magneettista rakennetta sekä etsiäkseen sellaisia ilmiöitä kuin magneettinen läheisyysvaikutus.

Tällä menetelmällä läheisyysvaikutus voidaan havaita mutta vaikutus on erittäin hienovarainen, ulottuen vain noin 1 nanometrin syvyyteen, ja kokeellisten tulosten tulkinnassa voi syntyä epäselvyyksiä ja haasteita.

Koneoppimisen avulla tutkijat pystyivät kuitenkin tunnistamaan ja kvantifioimaan vaikutuksen PNR-signaaliin – Bi2Se3:ssa indusoituneen magnetisoinnin rajapinnassa viereisen EuS-kerroksen kanssa.

"Koneoppimismenetelmät ovat erittäin tehokkaita tuomaan esiin taustalla olevia kuvioita monimutkaisesta datasta, mikä mahdollistaa hienovaraisten vaikutusten, kuten läheisyysmagnetismin, havaitsemisen PNR-mittauksessa", Nina Andrejevic sanoo. Myös datan analysointiprosessia voidaan nopeuttaa merkittävästi neuroverkkojen tuottaman koneoppimisen avulla.

MIT:n johtama ryhmä harkitsee jo tutkimustensa laajentamista. "Magneettinen läheisyysvaikutus ei ole ainoa heikko vaikutus, josta välitämme", Andrejevic sanoo. "Kehittämämme koneoppimiskehys on helposti siirrettävissä erilaisiin ongelmiin, kuten suprajohtavaan läheisyysilmiöön, joka on erittäin kiinnostava kvanttilaskennan alalla."

Aiheesta aiemmin:

Mittaus- ja kuvaustarkkuuden ennätyksiä

Magnetismi kohtaa topologian suprajohtimen pinnalla

Vikasietoista elektroniikkaa topologian avulla

15.02.2025Kupariset kukat kukkivat keinolehdillä
14.02.2025Kvanttiverkot vakaammiksi yhteyksiä lisäämällä
14.02.2025Lomittumista makrotasolla
13.02.2025Atomien avulla parempia metamateriaaleja
13.02.2025Käänteinen suunnittelu pelin muuttajana fysiikassa
12.02.2025Metamateriaali piin pinnalla vauhdittaa elektroneita
12.02.2025Porttiohjattavilla kaksiulotteisilla TMD:llä spintronisia muisteja
11.02.2025Omavoimainen älyanturi poistaa haavanhoidon kivun
11.02.2025Printattavia monimolekyylisiä biosensoreita
10.02.2025Muisti-innovaatiot tasoittavat tietä EU:n tietotekniikan riippumattomuudelle

Siirry arkistoon »