Electronic and chemical phase identification in photoemission experiments using unsupervised machine learning

لفهم عالم المواد في مستواه الأكثر جوهرية، غالبًا ما ينظر العلماء إلى كيفية سلوك الإلكترونات داخل المادة الصلبة. تخيل تسليط نوع خاص جدًا من الضوء على قطعة من المادة؛ هذا الضوء يحرر جسيمات صغيرة تسمى الإلكترونات. ومن خلال التقاط هذه الإلكترونات وقياس سرعتها واتجاهها، يمكن للباحثين رسم خريطة للهيكل الإلكتروني غير المرئي للمادة، مما يكشف عن كيفية توصيلها للكهرباء أو تفاعلها مع الضوء. هذه التقنية، المعروفة باسم مطيافية الانبعاث الضوئي، قوية للغاية، ولكنها تأتي مع قيد محبط: فهي حساسة للغاية للطبقة العليا من المادة فقط. ولأن الإلكترونات التي يتم قياسها تأتي من عمق أقل من نانومتر واحد، يجب أن يكون السطح نقيًا ونظيفًا تمامًا. وفي غرف الفراغ حيث تُجرى هذه التجارب، يبدأ حتى السطح المثالي في التدهور أو التغير في غضون يومين، وغالبًا ما يحدث ذلك بشكل أسرع. وهذا يخلق سباقًا مع الزمن؛ فقبل أن يبدأ العلم، يجب على الباحث العثور على البقعة المثالية على العينة للقياس.

المشكلة تكمن في أن هذه الأسطح الطازجة غالبًا ما تكون فوضوية وغير مستوية. فقد تحتوي عينة واحدة على بقع ذات تركيبات كيميائية مختلفة، أو طبقات بسماكات متفاوتة، أو مناطق ملتوية بزوايا مختلفة. ولإيجاد أفضل بقعة، يستخدم العلماء تقليديًا طريقة تسمى المسح المتدرج (raster scan). يقومون بتحريك العينة في نمط شبكي صارم، مثل جزازة العشب التي تقص العشب، حيث يأخذون قياسات عند كل تقاطع. ثم يتوقفون، وينظرون إلى البيانات، ويقررون ما إذا كانوا بحاجة إلى التكبير ومسح منطقة أصغر مرة أخرى. هذه العملية بطيئة، وتستهلك وقتًا ثمينًا، وغالبًا ما تهدر العمر المحدود للسطح الطازج. إذا اختار العالم شبكة دقيقة جدًا، فإنه يضيع الوقت في قياس الشيء نفسه مرارًا وتكرارًا. وإذا كانت الشبكة خشنة جدًا، فقد يفوت الميزات المثيرة للاهتمام تمامًا. وكان السؤال الذي يواجه المجال هو ما إذا كان بإمكان الكمبيوتر أن يتعلم التنقل في هذا المشهد الفوضوي بشكل أسرع وأذكى من الإنسان باستخدام الشبكة.

في دراسة حديثة، قدم فريق من الباحثين نهجًا جديدًا يسمى AARDVARK، وهو نظام مصمم لتوجيه هذه التجارب باستخدام التعلم الآلي. وبدلاً من اتباع شبكة جامدة أو التخمين العشوائي، يعمل هذا النظام كـمستكشف ذكي يتعلم أثناء تقدمه. اختبر الباحثون فكرتهم باستخدام عينة معقدة مكونة من طبقتين من الجرافين، وهي مادة تتكون من طبقة واحدة من ذرات الكربون. في إعدادهم، عملت بلورة كبيرة ومثالية من الجرافين كقاعدة، بينما وضعت طبقة ثانية من الجرافين متعددة البلورات فوقها. لم تكن هذه الطبقة العلوية موحدة؛ بل كانت مكونة من مناطق صغيرة عديدة، كل منها ملتف بزاوية مختلفة بالنسبة للطبقة السفلية. وقد خلق هذا مشهدًا تتغير فيه الخصائص الإلكترونية من مكان إلى آخر، مما يحاكي أنواع الأسطح غير المتجانسة والفوضوية التي يواجهها العلماء في التجارب الحقيقية.

يعمل نظام AARDVARK من خلال طرح سؤال مستمر: "ما الذي يجب أن نقيسه بعد ذلك؟". يبدأ بأخذ بضع قياسات ثم يستخدم أداة رياضية قوية لتصور البيانات. يقوم بضغط الكم الهائل من المعلومات في كل قياس — آلاف نقاط البيانات التي تصف طاقة وزخم الإلكترونات — في خريطة بسيطة وملونة. في هذه الخريطة، تظهر البقع ذات الخصائص الإلكترونية المتشابهة كألوان متشابهة، بينما تظهر البقع المختلفة كألوان مختلفة. وهذا يسمح للنظام برؤية "شكل" المشهد الإلكتروني للعينة دون الحاجة إلى فهم الفيزياء المعقدة وراء كل رقم بمفرده.

بمجرد حصول النظام على هذه الخريطة الملونة، فإنه يستخدم طريقة تسمى انحدار العملية الغاوسية (Gaussian process regression) للتنبؤ بما تبدو عليه الأجزاء غير المقاسة من العينة. فكر في الأمر كمخمن ذكي لا يتنبأ بقيمة نقطة جديدة فحسب، بل يحسب أيضًا مدى عدم اليقين بشأن تخمينه. تم برمجة النظام لإعطاء الأولوية للمناطق التي يكون فيها أكثر شكًا. إذا تغيرت الألوان في الخريطة بشكل حاد من بقعة إلى أخرى، فإن النظام يعرف أنه وجد حدًا بين منطقتين مختلفتين، ويرسل شعاع القياس إلى ذلك الحافة لتحديده بدقة أكبر. وإذا بدا أن منطقة ما متجانسة، فإن النظام يتخطاها، مدركًا أن قياسها مرة أخرى لن يقدم أي معلومات جديدة. وهذا يسم يسمح للنظام بتركيز طاقته على الحواف والميزات الفريدة للعينة، متجاهلاً الأجزاء المملة والمتكررة.

قام الباحثون بمحاكاة هذه العملية على جهاز كمبيوتر باستخدام مجموعة بيانات تضم أكثر من 8,000 نقطة تم قياسها مسبقًا لمعرفة مدى جودة أداء AARDVARK مقارنة بالطرق التقليدية. وقد أجروا ثلاثة سيناريوهات مختلفة: نهج التعلم الآلي الجديد، والمسح الشبكي القياسي، والبحث العشوائي حيث يتم اختيار النقاط دون أي منطق. كانت النتائج مذهلة. فبعد إجراء 400 إلى 600 قياس فقط، كان نظام AARDVARK قد حدد بالفعل الحدود الرئيسية والمناطق المتميزة للعينة بوضوح لم تحققه طرق الشبكة والعشوائية إلا بعد إجراء 1,000 إلى 2,000 قياس. فطريقة الشبكة، التي تتحرك في خطوط مستقيمة، غالبًا ما أضاعت الوقت في قياس المناطق الموحدة نفسها مرارًا وتكرارًا، بينما بعثرت الطريقة العشوائية جهودها على نطاق واسع جدًا بحيث لم تتمكن من تحديد أي شكل معين. في المقابل، ركز AARDVARK بسرعة على الانتقالات بين المناطق المختلفة، ورسم خريطة تضاريس العينة الإلكترونية بخطوات أقل بكثير.

هذه الكفاءة لا تتعلق فقط بتوفير الوقت؛ بل تتعلق بالحفاظ على العينة. ولأن السطح الطازج يتدهور بسرعة كبيرة، فإن كل قياس له قيمته. ومن خلال العثء على المناطق المثيرة للاهتمام بشكل أسرع، يقلل AARDVARK من إجمالي الوقت الذي تتعرض فيه العينة لشعاع القياس، والذي يمكن أن يتسبب أحيانًا في تلف المادة. وقد أثبت النظام مرونة كافية للتعامل مع نوعين مختلفين من القياسات: أحدهما يرسم الهيكل الإلكتروني والآخر يحدد التركيب الكيميائي للذرات. وعلى الرغم من أن هذين القياسين ينظران إلى العينة بطرق مختلفة، إلا أن النظام تكيف مع كليهما، مدركًا أن الحدود في الخريطة الإلكترونية قد لا تتطابق تمامًا مع الحدود في الخريطة الكيميائية، وقام بتعديل بحثه وفقًا لذلك.

توضح الدراسة أن الكمبيوتر يمكنه تعلم التنقل في بيئة فيزيائية معقدة بكفاءة أكبر بكما من مسار مخطط مسبقًا وصارم. ومن خلال الجمع بين طريقة لتبسيط البيانات المعقدة وطريقة تتعلم من عدم اليقين، أنشأ الباحثون أداة يمكنها توجيه التجارب في الوقت الفعلي. وهذا يعني أنه في المستقبل، قد يقضي العلماء وقتًا أقل في البحث عن المكان الصحيح ووقتًا أطول في القيام بالعلم الفعلي، كل ذلك مع الحفاظ على العينات الدقيقة التي يدرسونها. ويشير العمل إلى أن مستقبل هذه التجارب يكمكم في ترك البيانات نفسها تخبر الباحث أين ينظر بعد ذلك، محولةً البحث اليدوي البطيء إلى استكشاف ذكي وديناميكي.