by FLEET 信用:FLEET 就像詹姆斯·卡梅隆的《终结者800》能够区分“衣服、靴子和摩托车”一样，机器学习可以识别二维材料上不同的感兴趣区域
对这些材料上根本不同的物理区域(例如，显示掺杂、应变和电子无序的区域)进行简单、自动的光学识别，可以极大地促进原子级薄材料的科学发展
原子般薄(或二维)的物质层是一种新兴的材料，将成为下一代节能计算、光电子学和未来智能手机的基础
“在没有任何监督的情况下，机器学习算法能够区分二维半导体材料上不同的扰动区域，”主要作者Dr
Pavel Kolesnichenko
“这将导致未来二维材料的快速机器辅助表征，加速这些材料在下一代低能耗智能手机中的应用
" 自动化打开了原子级薄材料的领域 2004年，单层铅笔石墨(石墨烯)作为一种神奇的半金属材料取得了成功，具有许多独特的性能，此后，世界各地的科学家意识到，其他层状材料也可以减薄为单层(单层)
从那时起，已经获得了数十个其他单层，包括金属、半导体、绝缘体和更奇特的量子材料，如拓扑绝缘体、超导体和铁磁体
有了这个单层动物园，材料科学家就像“乐高积木”一样使用它们:例如，以许多不同的组合堆叠它们来构建下一代晶体管、电池、存储单元和光电二极管
然而，所有这些设备都是手工组装的，并且是一次性的原型
它们的工业化生产和商业化还有很长的路要走
有几个因素阻碍了这一进展
首先是缺乏对单层材料制造的完全控制
此外，目前的表征技术是复杂的，需要有经验的研究人员的眼睛
最后，由于材料非常薄，后者对各种扰动极其敏感，其中许多扰动是无意中引入的
理解这些扰动是一项非同小可的任务，因为它们可能会产生综合效应，必须加以解决
医生
帕维尔·科莱斯尼琴科和杰弗里·戴维斯教授(史文朋理工大学)意识到，机器可以以快速和自动化的方式完成对二维材料进行表征的艰巨任务
“为了了解不同扰动的影响，并最小化或控制它们的存在，能够快速可靠地识别它们及其空间分布是很重要的，”戴维斯教授说，他是未来低能电子技术研究中心的首席研究员
他们与舰队同事迈克尔·弗尔教授(莫纳什大学)合作，应用无监督的机器学习算法来表征二硫化钨的半导体单层
数据是通过简单的仪器获得的，包括显微镜和分光计
然后，学习算法能够区分单层薄片上受掺杂、应变、无序和附加层存在影响的区域
这是首次对这些扰动进行如此系统的解缠
这项任务是通过将获得的数据嵌入人工构建的多维参数空间来完成的
然后允许学习算法找到一种方法，以可理解的二维和最具代表性的方式可视化数据，其中每个扰动形成其自己的数据簇
该团队建立在该领域以前的科学成果基础上，包括他们以前的出版物，其中他们利用相关的光致发光和吸收光谱解开了扰动
“许多因素都会影响二维材料的光电特性，包括衬底类型、额外掺杂、应变、皱纹、缺陷和环境分子——随便你怎么说，”Dr
帕维尔·科莱斯尼琴科(现为隆德大学博士后)
“因此，转向多维参数空间似乎是自然的下一步
" “我们也希望这项研究将激励科学家将类似的想法应用到其他二维材料上，并使用其他成像方式，”帕维尔说
在数据驱动的科学技术时代，作者希望他们的研究能激发创建一个大的标记数据集，其中的标记(如“兴奋剂”、“应变”等)将由有经验的研究人员分配
然后，该数据集将用于训练深层神经网络，以在几分之一秒内表征二维材料
研究人员认为，他们的工作将有助于引入单层物质表征的标准，接近未来大规模使用低能耗智能手机和计算机的时刻
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
