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

Pour comprendre le monde matériel à son niveau le plus fondamental, les scientifiques observent souvent la manière dont les électrons se comportent à l'intérieur d'un solide. Imaginez que l'on projette une lumière très spécifique sur un morceau de matière ; cette lumière détache de minuscules particules appelées électrons. En capturant ces électrons et en mesurant leur vitesse et leur direction, les chercheurs peuvent cartographier la structure électronique invisible du matériau, révélant comment il conduit l'électricité ou interagit avec la lumière. Cette technique, connue sous le nom de spectroscopie de photoémission, est incroyablement puissante, mais elle comporte une limitation frustrante : elle est extrêmement sensible à la couche supérieure même du matériau. Parce que les électrons mesurés proviennent d'une profondeur de moins d'un nanomètre, la surface doit être parfaitement fraîche et propre. Dans les chambres à vide où se déroulent ces expériences, même une surface vierge commence à se dégrader ou à changer en deux jours, et souvent bien plus vite. Cela crée une course contre la montre. Avant que la science ne puisse commencer, le chercheur doit trouver le point parfait sur l'échantillon pour effectuer la mesure.

Le problème est que ces surfaces fraîches sont souvent désordonnées et irrégulières. Un seul échantillon peut présenter des zones de compositions chimiques différentes, des couches d'épaisseurs variables ou des régions pivotées selon des angles différents. Pour trouver le meilleur endroit, les scientifiques utilisent traditionnellement une méthode appelée balayage par raster. Ils déplacent l'échantillon selon une grille rigide, comme une tondeuse tondant l'herbe, en prenant des mesures à chaque intersection. Ils s'arrêtent ensuite, examinent les données, et décident s'ils doivent zoomer et balayer une zone plus petite à nouveau. Ce processus est lent, consomme un temps précieux et gaspille souvent la durée de vie limitée de la surface fraîche. Si le scientifique choisit une grille trop fine, il perd du temps à mesurer la même chose encore et encore. Si la grille est trop large, il pourrait manquer entièrement les caractéristiques intéressantes. La question qui se posait au domaine était de savoir si un ordinateur pouvait apprendre à naviguer dans ce paysage désordonné plus rapidement et plus intelligemment qu'un humain avec une grille.

Dans une étude récente, une équipe de chercheurs a introduit une nouvelle approche appelée AARDVARK, un système conçu pour guider ces expériences en utilisant l'apprentissage automatique. Au lieu de suivre une grille rigide ou de choisir au hasard, ce système agit comme un explorateur intelligent qui apprend au fur et à mesure. Les chercheurs ont testé leur idée en utilisant un échantillon complexe composé de deux couches de graphène, un matériau constitué d'une seule couche d'atomes de carbone. Dans leur configuration, un grand cristal parfait de graphène servait de base, tandis qu'une seconde couche de graphène polycristalline était placée au-dessus. Cette couche supérieure n'était pas uniforme ; elle était composée de nombreuses petites régions, chacune pivotée selon un angle différent par rapport à la couche inférieure. Cela créait un paysage où les propriétés électroniques changeaient d'un endroit à l'autre, imitant le type de surfaces hétérogènes et désordonnées que les scientifiques rencontrent dans les expériences réelles.

Le système AARDVARK fonctionne en demandant constamment : « Que devrions-nous mesurer ensuite ? » Il commence par prendre quelques mesures, puis utilise un outil mathématique puissant pour visualiser les données. Il compresse la quantité massive d'informations contenue dans chaque mesure — des milliers de points de données décrivant l'énergie et la quantité de mouvement des électrons — en une carte simple et colorée. Dans cette carte, les points ayant des propriétés électroniques similaires apparaissent avec des couleurs similaires, tandis que les points différents apparaissent avec des couleurs différentes. Cela permet au système de voir la « forme » du paysage électronique de l'échantillon sans avoir besoin de comprendre la physique complexe derrière chaque chiffre.

Une fois que le système possède cette carte colorée, il utilise une méthode appelée régression par processus gaussien pour prédire l'aspect des parties non mesurées de l'échantillon. Voyez cela comme un devineur intelligent qui ne prédit pas seulement la valeur d'un nouveau point, mais calcule également son degré d'incertitude concernant cette supposition. Le système est programmé pour donner la priorité aux zones où il est le plus incertain. Si les couleurs de la carte changent brusquement d'un point à l'autre, le système sait qu'il a trouvé une frontière entre deux régions différentes, et il envoie le faisceau de mesure vers cette bordure pour la définir plus précisément. Si une zone semble uniforme, le système l'ignore, sachant que la mesurer à nouveau n'apporterait aucune nouvelle information. Cela lui permet de concentrer son énergie sur les bords et les caractéristiques uniques de l'échantillon, ignorant les parties ennuyeuses et répétitives.

Les chercheurs ont simulé ce processus sur un ordinateur en utilisant un ensemble de données de plus de 8 000 points pré-mesurés pour voir comment AARDVARK se comporterait par rapport aux méthodes traditionnelles. Ils ont testé trois scénarios différents : la nouvelle approche d'apprentissage automatique, un balayage par grille standard et une recherche aléatoire où les points sont choisis sans logique. Les résultats ont été frappants. Après seulement 400 à 600 mesures, le système AARDVARK avait déjà identifié les principales limites et les régions distinctes de l'échantillon avec une clarté que la grille et les méthodes aléatoires n'atteignaient qu'après 1 000 à 2 000 mesures. La méthode de la grille, qui se déplace en lignes droites, perdait souvent du temps à mesurer les mêmes zones uniformes encore et encore, tandis que la méthode aléatoire dispersait ses efforts trop largement pour définir une forme spécifique. AARDVARK, en revanche, s'est rapidement concentré sur les transitions entre les différentes régions, dessinant efficacement la carte du terrain électronique de l'échantillon avec beaucoup moins d'étapes.

Cette efficacité ne concerne pas seulement le gain de temps ; il s'agit de préserver l'échantillon. Comme la surface fraîche se dégrade rapidement, chaque mesure compte. En trouvant les régions intéressantes plus rapidement, AARDVARK réduit le temps total d'exposition de l'échantillon au faisceau de mesure, lequel peut parfois endommager le matériau. Le système s'est avéré assez flexible pour gérer deux types de mesures différents : une qui cartographie la structure électronique et une autre qui identifie la composition chimique des atomes. Même si ces deux mesures examinent l'échantillon de manières différentes, le système s'est adapté aux deux, reconnaissant que les limites dans la carte électronique pourraient ne pas correspondre parfaitement aux limites dans la carte chimique, et il a ajusté sa recherche en conséquence.

L'étude démontre qu'un ordinateur peut apprendre à naviguer dans un environnement physique complexe bien plus efficacement qu'un chemin rigide et pré-planifié. En combinant une méthode pour simplifier des données complexes avec une méthode apprenant de l'incertitude, les chercheurs ont créé un outil capable de guider les expériences en temps réel. Cela signifie qu'à l'avenir, les scientifiques pourraient passer moins de temps à chercher le bon endroit et plus de temps à faire la science proprement dite, tout en préservant les échantillons délicats qu'ils étudient. Ce travail suggère que l'avenir de ces expériences réside dans le fait de laisser les données elles-mêmes dire au chercheur où regarder ensuite, transformant une recherche manuelle et lente en une exploration dynamique et intelligente.