Os supercondutores tem sido considerados a principal abordagem para a realização de eletra´nicos sem resistividade. Na última década, uma nova familia de materiais qua¢nticos, “materiais topola³gicos”, ofereceu um meio alternativo, mas promissor, para alcana§ar a eletra´nica sem dissipação (ou perda) de energia. Comparados aos supercondutores, os materiais topola³gicos oferecem algumas vantagens, como robustez contra distúrbios. Para atingir os estados eletra´nicos sem dissipação, uma rota chave éo chamado “efeito de proximidade magnanãtica”, que ocorre quando o magnetismo penetra levemente nasuperfÍcie de um material topola³gico. No entanto, observar o efeito de proximidade tem sido um desafio.

O problema, de acordo com Zhantao Chen, estudante de doutorado em engenharia meca¢nica do MIT, “éque o sinal que as pessoas estãoprocurando e que indicaria a presença desse efeito geralmente émuito fraco para ser detectado de forma conclusiva com manãtodos tradicionais”. a‰ por isso que uma equipe de cientistas osbaseada no MIT, na Pennsylvania State University e no National Institute of Standards and Technology osdecidiu tentar uma abordagem não tradicional, que acabou gerando resultados surpreendentemente bons.

Nos últimos anos, os pesquisadores confiaram em uma técnica conhecida como reflectometria de naªutrons polarizados (PNR) para investigar a estrutura magnanãtica dependente da profundidade de materiais multicamadas, bem como procurar fena´menos como o efeito de proximidade magnanãtica. No PNR, dois feixes de naªutrons polarizados com spins opostos são refletidos da amostra e coletados em um detector. “Se o naªutron encontrar um fluxo magnanãtico, como o encontrado dentro de um material magnanãtico, que tem a orientação oposta, ele mudara¡ seu estado de spin, resultando em diferentes sinais medidos a partir dos feixes de naªutrons spin up e spin down”, explica Nina Andrejevic. , PhD em ciência e engenharia de materiais. Como um resultado,

Mas o efeito émuito sutil, estendendo-se apenas cerca de 1 nana´metro de profundidade, e ambiguidades e desafios podem surgir quando se trata de interpretar os resultados experimentais. “Ao trazer o aprendizado de ma¡quina para nossa metodologia, espera¡vamos obter uma visão mais clara do que estãoacontecendo”, observa  Mingda Li , professor de desenvolvimento de carreira de Norman C. Rasmussen no Departamento de Ciência e Engenharia Nuclear que liderou a equipe de pesquisa. Essa esperana§a foi realmente confirmada, e as descobertas da equipe foram publicadas em 17 de mara§o em um artigo  na  Applied Physics Review .

Os pesquisadores investigaram um isolante topola³gico osum material que éeletricamente isolante em seu interior, mas pode conduzir corrente elanãtrica nasuperfÍcie. Eles optaram por se concentrar em um sistema de materiais em camadas compreendendo o isolante topola³gico seleneto de bismuto (Bi 2 Se 3 ) em interface com o isolante ferromagnético sulfeto de eura³pio (EuS). Bi 2 Se 3  anã, por si são, um material não magnanãtico, então a camada magnanãtica EuS domina a diferença entre os sinais medidos pelos dois feixes de naªutrons polarizados. No entanto, com a ajuda do aprendizado de ma¡quina, os pesquisadores conseguiram identificar e quantificar outra contribuição para o sinal PNR — a magnetização induzida no Bi 2 Se 3 na interface com a camada EuS adjacente. “Os manãtodos de aprendizado de ma¡quina são altamente eficazes na obtenção de padraµes subjacentes de dados complexos, tornando possí­vel discernir efeitos sutis como o magnetismo de proximidade na medição de PNR”, diz Andrejevic.

Quando o sinal PNR éalimentado pela primeira vez no modelo de aprendizado de ma¡quina, ele éaltamente complexo. O modelo écapaz de simplificar este sinal para que o efeito de proximidade seja amplificado e assim se torne mais visível. Usando essa representação reduzida do sinal PNR, o modelo pode quantificar a magnetização induzida - indicando se o efeito de proximidade magnanãtica éobservado ou não - juntamente com outros atributos do sistema de materiais, como espessura, densidade e rugosidade de as camadas constituintes.

“Reduzimos a ambiguidade que surgiu em análises anteriores, graças a  duplicação da resolução alcana§ada usando a abordagem assistida por aprendizado de ma¡quina”, dizem Leon Fan e Henry Heiberger, pesquisadores de graduação participantes deste estudo. O que isso significa éque eles podem discernir as propriedades dos materiais em escalas de comprimento de 0,5 nm, metade da extensão espacial ta­pica do efeito de proximidade. Isso éana¡logo a olhar para escrever em um quadro-negro a 6 metros de distância e não ser capaz de decifrar nenhuma das palavras. Mas se vocêpudesse cortar essa distância pela metade, vocêpoderia ler a coisa toda. 

O processo de análise de dados também pode ser acelerado significativamente por meio da dependaªncia do aprendizado de ma¡quina. “Antigamente, vocêpoderia passar semanas mexendo em todos os parametros atéconseguir que a curva simulada se ajustasse a  curva experimental”, diz Li. “Pode levar muitas tentativas porque o mesmo sinal [PNR] pode corresponder a diferentes combinações de parametros.”

“A rede neural fornece uma resposta imediata”, acrescenta Chen. “Nãohámais suposições. Chega de tentativa e erro.” Por esta raza£o, a estrutura foi instalada em algumas linhas de luz de reflectometria para apoiar a análise de tipos mais amplos de materiais.

Alguns observadores externos elogiaram o novo estudo osque éo primeiro a avaliar a eficácia do aprendizado de ma¡quina na identificação do efeito de proximidade e estãoentre os primeiros pacotes baseados em aprendizado de ma¡quina usados ​​para análise de dados PNR. “O trabalho de Andrejevic et al. oferece uma rota alternativa para capturar os detalhes finos em dados PNR, mostrando como uma resolução mais alta pode ser alcana§ada de forma consistente”, diz Kang L. Wang, Professor Distinto e Ca¡tedra Raytheon em Engenharia Elanãtrica na Universidade da Califórnia em Los Angeles.

“Este érealmente um avanço empolgante”, comenta Chris Leighton, Distinguished McKnight University Professor da Universidade de Minnesota. “Sua nova abordagem de aprendizado de ma¡quina pode não apenas acelerar muito esse processo, mas também extrair ainda mais informações de materiais dos dados dispona­veis.”

O grupo liderado pelo MIT já estãoconsiderando expandir o escopo de suas investigações. “O efeito de proximidade magnanãtica não éo aºnico efeito fraco com o qual nos preocupamos”, diz Andrejevic. “A estrutura de aprendizado de ma¡quina que desenvolvemos éfacilmente transfera­vel para diferentes tipos de problemas, como o efeito de proximidade supercondutor, que éde grande interesse no campo da computação qua¢ntica.”

Esta pesquisa foi financiada pelo Programa de Espalhamento de Naªutrons do Departamento de Energia dos EUA.