通过机器学习的视角看到难以捉摸的磁效应-

VAE 与回归 PNR 数据分析。图片来源：应用物理评论（2022）。DOI： 10.1063/5.0078814

长期以来，超导体一直被认为是实现无电阻率电子器件的主要方法。在过去的十年中，一个新的量子材料家族，"拓扑材料"，为实现没有能量耗散（或损耗）的电子学提供了一种替代但有前途的方法。与超导体相比，拓扑材料具有一些优点，例如抗干扰的鲁棒性。为了获得无耗散电子态，一个关键路线是所谓的"磁邻近效应"，当磁性稍微穿透拓扑材料的表面时，就会发生这种情况。然而，观察邻近效应一直具有挑战性。

麻省理工学院机械工程博士生Zhantao Chen表示，问题在于"人们正在寻找的信号表明这种效应的存在通常太弱，无法用传统方法最终检测到。这就是为什么麻省理工学院、宾夕法尼亚州立大学和美国国家标准与技术研究院的一组科学家决定尝试一种非传统方法，最终产生了令人惊讶的好结果。

层下和层之间有什么

在过去的几年中，研究人员依靠一种称为偏振中子反射法（PNR）的技术来探测多层材料的深度依赖性磁性结构，并寻找诸如磁邻近效应之类的现象。在PNR中，两个具有相反自旋的偏振中子束从样品中反射并收集在探测器上。"如果中子遇到磁通量，例如在磁性材料内部发现的磁通量，其方向相反，它将改变其自旋状态，导致从自旋向上和自旋向下中子束测量到的不同信号，"Nina Andrejevic解释说，材料科学与工程。因此，如果通常非磁性材料的薄层（紧邻磁性材料）被显示为磁化，则可以检测到接近效应。

但这种影响非常微妙，深度仅延伸约1纳米，在解释实验结果时可能会出现歧义和挑战。"通过将机器学习引入我们的方法论，我们希望能够更清楚地了解正在发生的事情，"核科学与工程系领导该研究团队的Norman C. Rasmussen职业发展教授Mingda Li指出。这种希望确实得到了证实，该团队的研究结果于3月17日发表在《应用物理评论》的一篇论文中。

研究人员研究了一种拓扑绝缘体 - 一种在其内部具有电绝缘但可以在表面上导电流的材料。他们选择专注于由拓扑绝缘体硒化铋（Bi2硒3）与铁磁绝缘体硫化铕（EuS）接口。毕2硒3就其本身而言，它是一种非磁性材料，因此磁性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，研究人员能够识别和量化对PNR信号的另一个贡献 - Bi中诱导的磁化。2硒3在与相邻的 EuS 层的接口处。"机器学习方法在从复杂数据中引出潜在模式方面非常有效，使得在PNR测量中识别接近磁性等微妙效应成为可能，"Andrejevic说。

当PNR信号首次馈送到机器学习模型时，它非常复杂。该模型能够简化该信号，以便放大邻近效应，从而变得更加明显。使用PNR信号的这种精简表示，模型可以量化感应磁化 （ 指示是否观察到磁邻近效应 - 以及材料系统的其他属性，例如组成层的厚度，密度和粗糙度。

更好地看穿 AI

"由于使用机器学习辅助方法实现的分辨率翻了一番，我们已经减少了先前分析中出现的模糊性，"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0.5nm的长度尺度下辨别材料特性，这是邻近效应的典型空间范围的一半。这类似于从20英尺远的黑板上看字，却无法辨认出任何单词。但是如果你能把这个距离减半，你也许能够读懂整个事情。

通过依赖机器学习，数据分析过程也可以大大加快。"在过去，你可以花几周时间摆弄所有参数，直到你能得到模拟曲线来拟合实验曲线，"李说。"这可能需要多次尝试，因为相同的[PNR]信号可能对应于不同的参数组合。

"神经网络会立即给你一个答案，"Chen补充道。"没有更多的猜测。不再有反复试验。因此，该框架已安装在一些反射仪光束线中，以支持对更广泛类型材料的分析。

一些外部观察人士赞扬了这项新研究，这是第一个评估机器学习在识别邻近效应方面的有效性的研究，也是第一个用于PNR数据分析的基于机器学习的软件包之一。"Andrejevic等人的工作为捕获PNR数据中的精细细节提供了另一种途径，展示了如何始终如一地实现更高的分辨率，"加州大学洛杉矶分校电气工程杰出教授兼雷神学院主席Kang L. Wang说。

"这真的是一个令人兴奋的进步，"明尼苏达大学杰出的麦克奈特大学教授克里斯·莱顿（Chris Leighton）评论道。"他们的新机器学习方法不仅可以大大加速这一过程，还可以从可用数据中挤出更多的材料信息。

麻省理工学院领导的小组已经在考虑扩大调查范围。"磁邻近效应并不是我们关心的唯一微弱效应，"安德烈耶维奇说。"我们开发的机器学习框架很容易转移到不同类型的问题上，比如超导邻近效应，这在量子计算领域引起了极大的兴趣。