يستخدم فريق من الباحثين من معهد ماساتشوستس للتكنولوجيا (MIT) الذكاء الاصطناعي لتسريع اكتشاف ظاهرة مثيرة للاهتمام في مواد خاصة، وهو اكتشاف قد يؤدي إلى تطوير مكونات إلكترونية تعمل دون فقدان الطاقة
[ترجمة د. موشيه نحماني]
لطالما اعتبرت الموصلات الفائقة هي الطريقة الأساسية لنقل الإلكترونات بدون مقاومة. في العقد الماضي، تم تطوير عائلة جديدة من المواد الكمومية "المواد الطوبولوجية" والتي توفر بديلاً واعدًا لتطوير المكونات الإلكترونية التي تعمل دون فقدان الطاقة. بالمقارنة مع الموصلات الفائقة، تتمتع المواد الطوبولوجية بالعديد من المزايا، مثل مقاومة التداخل. وفي مجال المغناطيسية تُعرف ظاهرة "تأثير القرب المغناطيسي" (تأثير القرب المغناطيسي)، والذي يحدث عندما تخترق المغناطيسية إلى حد ما سطح مادة طوبولوجية. وفي الوقت نفسه، كانت مشاهدة هذه النتيجة حتى الآن صعبة بشكل خاص. ويوضح الباحث زانتاو تشين من معهد ماساتشوستس للتكنولوجيا (MIT): "إن وجود هذا التأثير عادة ما يكون أضعف من أن يتم قياسه باستخدام الطرق الحالية".
خلال السنوات القليلة الماضية، اعتمد الباحثون في قياس هذه النتيجة على طريقة تعرف باسم "قياس انعكاس النيوترونات المستقطبة" (قياس انعكاس النيوترونات المستقطبة) والتي تسمح باختبار البنية المغناطيسية العميقة للمواد متعددة الطبقات. في هذه الطريقة، يتم إرجاع شعاعين نيوترونيين مستقطبين لهما دوران معاكس من العينة ويصلان إلى الكاشف. "إذا اصطدم النيوترون بتدفق مغناطيسي في اتجاه معاكس، مثل ذلك الموجود داخل مادة مغناطيسية، فإنه سيغير حالة دورانه، مما سيؤدي إلى قياس إشارات مختلفة من شعاعي النيوترون مع دوران لأعلى ولأسفل"، يوضح ذلك. أحد الباحثين. ونتيجة لذلك، يمكن قياس تأثير القرب إذا أصبحت طبقة رقيقة من مادة غير مغناطيسية في جوهرها - تقع بالقرب من المادة المغناطيسية - مغناطيسية. إلا أن النتيجة دقيقة للغاية، حيث يصل عمقها إلى مستوى نانومتر واحد فقط، ويصبح قياسها صعبًا وغير حاسم عندما يتم اضطرابه بنتائج التجربة نفسها. يوضح الباحث الرئيسي: "من خلال دمج "التعلم الآلي" في أسلوبنا، نأمل في الحصول على صورة واضحة للآلية". وقد تحقق هذا الأمل بالفعل عندما نُشرت نتائج فريق البحث مؤخرًا في المجلة العلمية المرموقة مراجعة الفيزياء التطبيقية.
وقام الباحثون بفحص عازل طوبولوجي، وهو مادة تعزل الكهرباء في جزئها الداخلي، لكنها قادرة على توصيل تيار كهربائي على سطحها الخارجي. لقد اختاروا التركيز على المواد ذات الطبقات التي تحتوي على العازل الطوبولوجي سيلينيد البزموت (Bi2Se3) مع العازل المغناطيسي الحديدي كبريتيد اليوروبيوم (EuS). سيلينيد البزموت، في جوهره، هو مادة غير مغناطيسية، لذا فإن طبقة كبريتيد اليوروبيوم هي المسؤولة عن الفرق بين الإشارات المقاسة بواسطة شعاعي النيوترونات المستقطبين. بالإضافة إلى ذلك، وبمساعدة التعلم الآلي، تمكن الباحثون من تحديد وقياس مساهمة أخرى في إشارة PNR: المغناطيسية المستحثة التي تم إنشاؤها عند السطح البيني بين مادتي سيلينيد البزموت / كبريتات اليوروبيوم. ويوضح الباحث أن "طرق التعلم الآلي فعالة للغاية في تحديد أساس البيانات المعقدة، وتجعل من الممكن التمييز والتفريق بين النتائج الدقيقة مثل مغناطيسية القرب في قياسات PNR".
عندما يتم تغذية الإشارة لأول مرة في نموذج التعلم الآلي، يكون الأمر معقدًا للغاية. النموذج قادر على تبسيط هذه الإشارة بحيث يتم زيادة نتيجة القرب وتصبح أكثر وضوحًا. في الخطوة التالية، يكون النموذج قادرًا على قياس المغناطيسية المستحثة - مع تحديد ما إذا كانت نتيجة القرب المغناطيسي يمكن ملاحظتها بالفعل - إلى جانب الخصائص الأخرى لنظام المواد، مثل: سمك وكثافة وصلابة الطبقات المختلفة. ويوضح الباحث: "لقد قللنا من عدم الوضوح الذي تم الحصول عليه في الاختبارات السابقة، وذلك بفضل مضاعفة قدرة الفصل الناتجة عن استخدام التعلم الآلي". وتكمن أهمية النتائج في أن الباحثين تمكنوا من تمييز خصائص المواد بطول 0.5 نانومتر، أي حوالي نصف البعد المكاني النموذجي لنتيجة القرب. وهذا الوضع يشبه شخص ينظر إلى النقش الموجود على السبورة على بعد ستة أمتار منه، فلا يستطيع تمييز الكلمات المنفصلة المكتوبة هناك. ومع ذلك، إذا خفضنا هذه المسافة إلى النصف، فقد نتمكن من قراءة الكلمات المنفصلة. ويمكن أيضًا تسريع عملية تحليل البيانات بشكل كبير من خلال الاعتماد على التعلم الآلي. يوضح كبير الباحثين: «في الماضي، كان مطلوبًا من الباحثين تخصيص أسابيع كاملة لتحليل جميع البيانات حتى الحصول على منحنى تصويري يتوافق مع منحنى النتائج التجريبية». "يلزم إجراء قدر كبير من التجارب لأن الإشارة نفسها يمكن أن تتوافق مع مجموعات مختلفة من المؤشرات. توفر لك الشبكة العصبية إجابة فورية. لم يعد هناك المزيد من التخمينات - لا مزيد من التجربة والخطأ."
وقد أشادت الجهات الخارجية بالدراسة الجديدة، التي تعد الأولى من نوعها لقياس مدى فعالية التعلم الآلي في تحديد نتيجة القرب، ومن بين أولى الدراسات بشكل عام في تحليل بيانات PNR. "يوفر البحث طريقة بديلة لتحديد التفاصيل الدقيقة في بيانات PNR، ويوضح كيف يمكن تحقيق قدرة فصل أعلى بشكل مستمر"، يوضح أحد الأساتذة في هذا المجال.
وتخطط المجموعة البحثية بالفعل لتوسيع نطاق تجاربها. ويوضح الباحث أن "نتيجة القرب المغناطيسي ليست النتيجة الضعيفة الوحيدة التي تهم الباحثين اليوم". "يمكن للبنية التحتية للتعلم الآلي التي طورناها أن تتكيف بسهولة مع أنواع مختلفة من المشاكل، مثل نتيجة القرب من الموصلات الفائقة، والتي تعد واحدة من أهم المشاكل اليوم في مجال الحوسبة الكمومية."
المراجعة على موقع معهد ماساتشوستس للتكنولوجيا
المزيد عن الموضوع على موقع العلوم:
