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

Um die materielle Welt auf ihrer fundamentalsten Ebene zu verstehen, schauen Wissenschaftler oft darauf, wie sich Elektronen in einem Festkörper verhalten. Stellen Sie sich vor, man beleuchtet ein Stück Materie mit einer ganz speziellen Art von Licht; dieses Licht schlägt winzige Teilchen, sogenannte Elektronen, heraus. Indem man diese Elektronen auffängt und ihre Geschwindigkeit sowie ihre Richtung misst, können Forscher die unsichtbare elektronische Struktur des Materials kartieren, was offenbart, wie es elektrischen Strom leitet oder mit Licht interagiert. Diese Technik, bekannt als Photoemissionsspektroskopie, ist unglaublich leistungsstark, bringt aber eine frustrierende Einschränkung mit sich: Sie ist extrem empfindlich gegenüber der obersten Schicht des Materials. Da die gemessenen Elektronen aus einer Tiefe von weniger als einem Nanometer stammen, muss die Oberfläche perfekt frisch und sauber sein. In den Vakuumkammern, in denen diese Experimente stattfinden, beginnt selbst eine makellose Oberfläche innerhalb von zwei Tagen zu degradieren oder sich zu verändern, oft sogar noch schneller. Dies erzeugt ein Wettrennen gegen die Zeit. Bevor die eigentliche Wissenschaft beginnen kann, muss der Forscher den perfekten Punkt auf der Probe finden, um die Messung durchzuführen.

Das Problem ist, dass diese frischen Oberflächen oft unordentlich und uneben sind. Eine einzige Probe kann Flecken mit unterschiedlichen chemischen Zusammensetzungen, Schichten mit variierender Dicke oder Regionen mit unterschiedlichen Verdrehungswinkeln aufweisen. Um den besten Punkt zu finden, nutzen Wissenschaftler traditionell eine Methode namens Rasterscan. Dabei bewegen sie die Probe in einem starren Gittermuster, ähnlich wie ein Rasenmäher, der Gras schneidet, und nehmen an jedem Schnittpunkt Messungen vor. Dann halten sie inne, betrachten die Daten und entscheiden, ob sie vergrößern und einen kleineren Bereich erneut scannen müssen. Dieser Prozess ist langsam, verbraucht kostbare Zeit und verschwendet oft die begrenzte Lebensdauer der frischen Oberfläche. Wenn der Wissenschaftler ein Gitter wählt, das zu fein ist, verschwendet er Zeit damit, immer wieder dasselbe zu messen. Ist das Gitter zu grob, übersieht er möglicherweise die interessanten Merkmale gänzlich. Die Frage, vor der das Fachgebiet stand, war, ob ein Computer lernen könne, diese unordentliche Landschaft schneller und intelligenter zu navigieren als ein Mensch mit einem Gitter.

In einer kürzlich durchgeführten Studie stellte ein Forscherteam einen neuen Ansatz namens AARDVARK vor, ein System, das darauf ausgelegt ist, diese Experimente mithilfe von maschinellem Lernen zu steuern. Anstatt einem starren Gitter zu folgen oder zufällig zu raten, agiert dieses System wie ein intelligenter Entdecker, der während des Prozesses dazulernt. Die Forscher testeten ihre Idee anhand einer komplexen Probe, die aus zwei Schichten Graphen besteht, einem Material, das aus einer einzelnen Lage von Kohlenstoffatomen besteht. In ihrem Versuchsaufbau diente ein großes, perfektes Graphenkristall als Basis, während eine zweite, polykristalline Graphenschicht darüber platziert wurde. Diese obere Schicht war nicht einheitlich; sie bestand aus vielen kleinen Regionen, die jeweils in einem anderen Winkel relativ zur unteren Schicht verdreht waren. Dies schuf eine Landschaft, in der sich die elektronischen Eigenschaften von einem Ort zum anderen änderten, was die Art von unordentlichen, heterogenen Oberflächen nachbildete, auf die Wissenschaftler in echten Experimenten treffen.

Das AARDVARK-System arbeitet, indem es ständig fragt: „Was sollten wir als Nächstes messen?“ Es beginnt mit einigen Messungen und nutzt dann ein leistungsstarkes mathematisches Werkzeug, um die Daten zu visualisieren. Es komprimiert die gewaltige Menge an Informationen in jeder Messung – tausende von Datenpunkten, die Energie und Impuls der Elektronen beschreiben – in eine einfache, farbige Karte. In dieser Karte erscheinen Stellen mit ähnlichen elektronischen Eigenschaften als ähnliche Farben, während Stellen mit unterschiedlichen Eigenschaften als unterschiedliche Farben erscheinen. Dies ermöglicht es dem System, die „Form“ der elektronischen Landschaft der Probe zu sehen, ohne die komplexe Physik hinter jeder einzelnen Zahl verstehen zu müssen.

Sob sobald das System diese farbige Karte besitzt, verwendet es eine Methode namens Gauß-Prozess-Regression, um vorherzusagen, wie die ungemessenen Teile der Probe aussehen. Denken Sie an einen klugen Ratenden, der nicht nur den Wert eines neuen Punktes vorhersagt, sondern auch berechnet, wie unsicher er sich bei dieser Vermutung ist. Das System ist so programmiert, dass es Bereiche priorisiert, in denen es sich am unsichersten ist. Wenn sich die Farben in der Karte von einem Punkt zum nächsten scharf ändern, weiß das System, dass es eine Grenze zwischen zwei verschiedenen Regionen gefunden hat, und sendet den Messstrahl an diesen Rand, um ihn präziser zu definieren. Wenn ein Bereich gleichmäßig aussieht, überspringt das System ihn, da es weiß, dass eine erneute Messung keine neuen Informationen liefern würde. Dies ermöglicht es dem System, seine Energie auf die Kanten und die einzigartigen Merkmale der Probe zu konzentrieren und die langweiligen, repetitiven Teile zu ignorieren.

Die Forscher simulierten diesen Prozess auf einem Computer mit einem Datensatz von über 8.000 vorab gemessenen Punkten, um zu sehen, wie gut AARDVARK im Vergleich zu traditionellen Methoden abschneiden würde. Sie führten drei verschiedene Szenarien durch: den neuen Ansatz des maschinellen Lernens, einen Standard-Gitterscan und eine Zufallssuche, bei der Punkte ohne Logik ausgewählt werden. Die Ergebnisse waren beeindruckend. Nach nur 400 bis 600 Messungen hatte das AARDVARK-System bereits die Hauptgrenzen und die unterschiedlichen Regionen der Probe mit einer Klarheit identifiziert, die das Gitter- und das Zufallsverfahren erst nach 1.000 bis 2.000 Messungen erreichten. Die Gittermethode, die sich in geraden Linien bewegt, verschwendete oft Zeit damit, dieselben einheitlichen Bereiche immer wieder zu messen, während die Zufallsmethode ihre Bemühungen zu weit verstreute, um eine spezifische Form zu definieren. AARDVARK hingegen konzentrierte sich schnell auf die Übergänge zwischen den verschiedenen Regionen und zeichnete so die Karte des elektronischen Terrains der Probe mit deutlich weniger Schritten.

Diese Effizienz dient nicht nur der Zeitersparnis, sondern auch der Erhaltung der Probe. Da sich die frische Oberfläche so schnell verschlechtert, zählt jede Messung. Indem AARDVARK die interessanten Regionen schneller findet, reduziert das System die Gesamtzeit, in der die Probe dem Messstrahl ausgesetzt ist, welcher das Material manchmal beschädigen kann. Das System erwies sich als flexibel genug, um zwei verschiedene Arten von Messungen zu handhaben: eine, welche die elektronische Struktur kartiert, und eine andere, welche die chemische Zusammensetzung der Atome identifiziert. Obwohl diese beiden Messungen die Probe auf unterschiedliche Weise betrachten, passte sich das System an beide an, erkannte, dass die Grenzen in der elektronischen Karte möglicherweise nicht exakt mit den Grenzen in der chemischen Karte übereinstimmen, und passte seine Suche entsprechend an.

Die Studie zeigt, dass ein Computer eine komplexe physikalische Umgebung viel effizienter navigieren kann als ein starrer, vorab geplanter Pfad. Durch die Kombination einer Methode zur Vereinfachung komplexer Daten mit einem Verfahren, das aus Unsicherheit lernt, haben die Forscher ein Werkzeug geschaffen, das Experimente in Echtzeit leiten kann. Dies bedeutet, dass Wissenschaftler in Zukunft weniger Zeit mit der Suche nach dem richtigen Punkt verbringen und mehr Zeit mit der eigentlichen Wissenschaft verbringen können, während sie gleichzeitig die empfindlichen Proben, die sie untersuchen, bewahren. Die Arbeit legt nahe, dass die Zukunft dieser Experimente darin liegt, die Daten selbst entscheiden zu lassen, wohin der Forscher als Nächstes schauen soll, und so eine langsame, manuelle Suche in eine dynamische, intelligente Exploration zu verwandeln.