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。
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。
通过人工智能更好地辅助观察
"我们已经减少了以前分析中出现的模糊性，这要归功于使用机器学习辅助方法实现的分辨率翻倍，"参与这项研究的本科生研究人员Leon Fan和Henry Heiberger说。这意味着他们可以在0.5纳米的长度尺度上辨别材料特性，这是接近效应的典型空间范围的一半。这就好比从20英尺外看黑板上的文字，却无法看清任何文字。但是如果你能把这个距离减少一半，你可能就能看清所有内容。
通过对机器学习的依赖，数据分析过程也可以大大加快。该框架已被安装在几条反射仪光束线上，以支持更广泛类型的材料分析。
一些外部观察家赞扬了这项新的研究--它是第一个评估机器学习在识别接近效应方面的有效性的研究，也是第一批用于PNR数据分析的基于机器学习的软件包之一。加州大学洛杉矶分校电气工程系特聘教授兼雷神讲座教授Kang L. Wang说："Andrejevic等人的工作为捕捉PNR数据中的精细细节提供了另一种途径，显示了如何能够持续实现更高的分辨率。"
明尼苏达大学麦克奈特大学特聘教授Chris Leighton评论说："这确实是一个令人兴奋的进步。他们新的机器学习方法不仅可以大大加快这一过程，而且可以从现有数据中挤出更多的材料信息"。
由麻省理工学院领导的小组已经在考虑扩大他们的研究范围。"磁接近效应并不是我们唯一关心的弱效应，"Andrejevic说。"我们开发的机器学习框架很容易转移到不同种类的问题上，比如超导接近效应，这在量子计算领域是很有意义的。"