צוות חוקרים מהמכון הטכנולוגי של מסצ’וסטס (MIT) מנצלים בינה מלאכותית על מנת להאיץ את הגילוי של תופעה מסקרנת בחומרים מיוחדים, גילוי שיוכל להוביל לפיתוחם של רכיבי אלקטרוניקה הפועלים ללא אובדני אנרגיה
[תרגום מאת ד”ר משה נחמני]
על-מוליכים נחשבים מזה זמן רב כגישה העיקרית להעברת אלקטרונים ללא התנגדות. בעשור האחרון פותחה משפחה חדשה של חומרים קוונטיים ‘חומרים טופולוגיים’ (topological materials) המספקת חלופה מבטיחה לפיתוחם של רכיבי אלקטרוניקה הפועלים ללא אובדני אנרגיה. בהשוואה לעל-מוליכים, חומרים טופולוגיים הם בעלי מספר יתרונות, כגון עמידות בפני הפרעות. בתחום המגנטיות ידועה התופעה של “תוצא קירבה מגנטית” (magnetic proximity effect) המתרחשת כאשר המגנטיות חודרת במקצת לתוך פני השטח של חומר טופולוגי. יחד עם זאת, צפייה בתוצא זה היתה עד כה מאתגרת במיוחד. מסביר החוקר Zhantao Chen מהמכון הטכנולוגי של מסצ’וסטס ((MIT: “הנוכחות של תוצא זה היא בדרך כלל מאוד חלשה מכדי למדוד אותה בעזרת שיטות קיימות.”
במהלך השנים האחרונות, חוקרים הסתמכו במדידת תוצא זה על שיטה הידועה בשם “רפלקטומטריית נויטרון מקוטבת” (polarized neutron reflectometry) המאפשרת בדיקה של המבנה המגנטי העמוק של חומרים רב-שכבתיים. במסגרת שיטה זו, שתי אלומות נויטרונים מקוטבות בעלות ספין מנוגד מוחזרות מהדגימה ומגיעות לגלאי. “אם הנויטרון פוגע בשטף מגנטי בעל כיווניות מנוגדת, כמו זה הנמצא בתוך חומר מגנטי, הוא ישנה את מצב הספין שלו, מה שיוביל למדידת אותות שונים משתי אלומות הנויטרונים בעלות הספין מעלה/מטה”, מסבירה אחת מהחוקרות. כתוצאה מכך, תוצא הקירבה יכול להימדד אם שכבה דקיקה של חומר לא מגנטי במהותו – הממוקמת בסמוך לחומר המגנטי – הופכת למגנטית. אולם, התוצא הוא מאוד עדין, מגיע לרמה של ננומטר אחד בלבד בעומקו, ומדידתו הופכת למאתגרת וללא חד משמעית כאשר היא מופרעת על ידי תוצאות הניסוי עצמו. “על ידי שילוב של ‘למידת מכונה’ לתוך השיטה שלנו, אנו מקווים לקבל תמונה ברורה של המנגנון,” מסביר החוקר הראשי. תקווה זו אכן מומשה כאשר ממצאי צוות המחקר פורסמו לאחרונה בכתב העת המדעי היוקרתי Applied Physics Review.
החוקרים בחנו מבודד טופולוגי – חומר המבודד חשמל בחלק הפנימי שלו, אך מסוגל להוליך זרם חשמלי על פני השטח החיצוני שלו. הם בחרו להתמקד בחומרים שכבתיים המכילים את המבודד הטופולוגי ביסמוט סלניד (Bi2Se3) המשולב עם המבודד הפרומגנטי אירופיום גופרתי (EuS). ביסמוט סלניד, במהותו, הוא חומר לא-מגנטי, כך ששכבת האירופיום הגופרתי היא האחראית לשוני שבין האותות הנמדדים על ידי שתי אלומות הנויטרונים המקוטבות. בנוסף, בסיוע של למידת מכונה, החוקרים הצליחו לזהות ולכמת תרומה נוספת לאות ה-PNR: המגנטיות המושרית הנוצרת בממשק שבין שני החומרים ביסמוט סלניד/אירופיום גופרתי. “שיטות של למידת מכונה יעילות מאוד בזיהוי הבסיס שבנתונים מורכבים, ומאפשרות להבחין ולהבדיל בין תוצאות עדינות כגון מגנטיות קירבה במדידות PNR”, מסביר החוקר.
כאשר האות מוזן לראשונה למודל של למידת מכונה הוא מורכב מאוד. המודל מסוגל לפשט את האות הזה כך שתוצא הקירבה מוגבר והופך להרבה יותר בולט לעין. בשלב הבא, המודל מסוגל לכמת את המגנטיות המושרית – תוך קביעה אם תוצא הקירבה המגנטית אכן ניתן לצפייה – יחד עם עוד תכונות של מערכת החומרים, כגון: עובי, צפיפות וקשיות השכבות השונות. “הפחתנו את חוסר הבהירות שהתקבל בבדיקות קודמות, זאת בזכות הכפלת כושר ההפרדה הנובע מתוך שימוש בלמידת מכונה”, מסביר החוקר. המשמעות של התוצאות היא שהחוקרים יכלו להבחין בין תכונות החומרים במידת אורך של 0.5 ננומטרים, כמחצית מהממד המרחבי הטיפוסי של תוצא הקירבה. מצב זה מקביל לאדם הצופה בכיתוב של לוח כתיבה המרוחק ממנו כשישה מטרים כך שאינו יכול להבחין במילים הנפרדות הכתובות שם. אולם, אם נפחית את המרחק הזה בחצי, אולי נוכל להיות מסוגל ים לקרוא את המילים הנפרדות. את תהליך ניתוח הנתונים ניתן להאיץ משמעותית גם על ידי התבססות על למידת מכונה. “בימים עברו, החוקרים היו נדרשים להקדיש שבועות שלמים לשם ניתוח כל הנתונים עד קבלת עקומת הדמיה שתתאים לעקומת תוצאות הניסויים”, מסביר החוקר הראשי. “נדרשת כמות גדולה של ניסויים מאחר והאות עצמו יכול להתאים לשילובים שונים של מדדים. הרשת העצבית מספקת לך תשובה באופן מידי. אין יותר ניחושים – לא צריך יותר לנהל ניסוי וטעיה.”
גורמים חיצוניים שיבחו את המחקר החדש – המהווה את הראשון מסוגו לאמוד את היעילות של למידת מכונה בזיהוי תוצא הקירבה, ובין הראשונים בכלל לשם ניתוח נתוני PNR. “המחקר מספק דרך חלופית לזיהוי הפרטים המדוקדקים בנתוני PNR, ומראה כיצד כושר הפרדה גבוה יותר ניתן להשגה באופן מתמיד”, מסביר אחד מהפרופסורים בתחום.
קבוצת המחקר כבר עתה מתכננת להרחיב את היקף הניסויים שלה. “תוצא הקירבה המגנטית אינו התוצא החלש היחיד שמעניין את החוקרים כיום”, מסביר החוקר. “תשתית למידת המכונה שפיתחנו ניתנת להתאמה בקלות לסוגים שונים של בעיות, כגון תוצא הקירבה של על-מוליכים, שהיא אחת הבעיות החשובות ביותר כיום בתחום המחשוב הקוונטי”.
עוד בנושא באתר הידען:
