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

Per comprendere il mondo materiale al suo livello più fondamentale, gli scienziati guardano spesso a come si comportano gli elettroni all'interno di un solido. Immaginate di illuminare un pezzo di materia con un tipo di luce molto specifico; questa luce scaglia via piccole particelle chiamate elettroni. Catturando questi elettroni e misurando la loro velocità e direzione, i ricercatori possono mappare la struttura elettronica invisibile del materiale, rivelando come esso conduca elettricità o interagisca con la luce. Questa tecnica, nota come spettroscopia fotoemissione, è incredibilmente potente, ma presenta un limite frustrante: è estremamente sensibile proprio allo strato superiore del materiale. Poiché gli elettroni misurati provengono da una profondità inferiore a un singolo nanometro, la superficie deve essere perfettamente fresca e pulita. Nei vuoti dove avvengono questi esperimenti, anche una superficie incontaminata inizia a degradarsi o a cambiare entro due giorni, spesso molto prima. Questo crea una corsa contro il tempo. Prima che la scienza possa iniziare, il ricercatore deve trovare il punto perfetto sul campione da misurare.

Il problema è che queste superfici fresche sono spesso disordinate e irregolari. Un singolo campione potrebbe avere zone con composizioni chimiche diverse, strati di spessore variabile o regioni ruotate ad angoli differenti. Per trovare il punto migliore, gli scienziati tradizionalmente utilizzano un metodo chiamato scansione raster. Muovono il campione in una griglia rigida, come un tosaerba che taglia l'erba, effettuando misurazioni in ogni intersezione. Poi si fermano, osservano i dati e decidono se devono ingrandire e scansionare nuovamente un'area più piccola. Questo processo è lento, consuma tempo prezioso e spesso spreca la durata limitata della superficie fresca. Se lo scienziato sceglie una griglia troppo fitta, spreca tempo misurando la stessa cosa ripetutamente. Se la griglia è troppo larga, potrebbe perdere completamente le caratteristiche interessanti. La domanda che la disciplina si poneva era se un computer potesse imparare a navigare questo paesaggio disordinato in modo più veloce e intelligente di quanto possa fare un essere umano con una griglia.

In uno studio recente, un team di ricercatori ha introato un nuovo approccio chiamato AARDVARK, un sistema progettato per guidare questi esperimenti utilizzando l'apprendimento automatico. Invece di seguire una griglia rigida o indovinare casualmente, questo sistema agisce come un esploratore intelligente che impara durante il percorso. I ricercatori hanno testato la loro idea utilizzando un campione complesso composto da due strati di grafene, un materiale costituito da un singolo strato di atomi di carbonio. Nel loro allestimento, un grande cristallo perfetto di grafene fungeva da base, mentre un secondo strato policristallino di grafene veniva posizionato sopra. Questo strato superiore non era uniforme; era composto da molte piccole regioni, ciascuna ruotata a un angolo diverso rispetto allo strato sottostante. Ciò ha creato un paesaggio in cui le proprietà elettroniche cambiavano da un punto all'altro, imitando il tipo di superfici disordinate ed eterogenee che gli scienziati incontrano negli esperimenti reali.

Il sistema AARDVARK funziona chiedendosi costantemente: "Cosa dovremmo misurare dopo?". Inizia effettuando alcune misurazioni e poi utilizza uno strumento matematico potente per visualizzare i dati. Comprime la enorme quantità di informazioni in ogni misurazione — migliaia di punti dati che descrivono l'energia e il momento degli elettroni — in una semplice mappa colorata. In questa mappa, i punti con proprietà elettroniche simili appaiono con colori simili, mentre i punti con proprietà diverse appaiono con colori diversi. Ciò consente al sistema di vedere la "forma" del paesaggio elettronico del campione senza dover comprendere la complessa fisica dietro ogni singolo numero.

Una volta ottenuta questa mappa colorata, il sistema utilizza un metodo chiamato regressione dei processi gaussiani per prevedere l'aspetto delle parti non misurate del campione. Pensatelo come un intelligente indovino che non solo predice il valore di un nuovo punto, ma calcola anche quanto sia incerto sulla sua ipotesi. Il sistema è programmato per dare priorità alle aree in cui è più incerto. Se i colori nella mappa cambiano bruscamente da un punto all'altro, il sistema sa di aver trovato un confine tra due regioni diverse, e invia il fascio di misurazione verso quel bordo per definirlo con maggiore precisione. Se un'area appare uniforme, il sistema la salta, sapendo che misurarla di nuovo non fornirebbe nuove informazioni. Ciò consente al sistema di concentrare la sua energia sui bordi e sulle caratteristiche uniche del campione, ignorando le parti noiose e ripetitive.

I ricercatori hanno simulato questo processo su un computer utilizzando un dataset di oltre 8.000 punti pre-misurati per vedere quanto bene AARDVARK avrebbe performato rispetto ai metodi tradizionali. Hanno eseguito tre scenari diversi: il nuovo approccio di apprendimento automatico, una scansione a griglia standard e una ricerca casuale dove i punti vengono scelti senza alcuna logica. I risultati sono stati sorprendenti. Dopo aver effettuato solo 400 o 600 misurazioni, il sistema AARDVARK aveva già identificato i confini principali e le regioni distinte del campione con una chiarezza che i metodi a griglia e casuali raggiungevano solo dopo 1.000 o 2.000 misurazioni. Il metodo a griglia, che si muove in linee rette, spesso sprecava tempo misurando ripetutamente le stesse aree uniformi, mentre il metodo casuale disperdeva troppo i suoi sforzi per definire qualsiasi forma specifica. AARDVARK, al contrario, si è rapidamente concentrato sulle transizioni tra le diverse regioni, tracciando efficacemente la mappa del terreno elettronico del campione con molti meno passaggi.

Questa efficienza non riguarda solo il risparmio di tempo; riguarda la preservazione del campione. Poiché la superficie fresca si degrada molto rapidamente, ogni misurazione conta. Trovando le regioni interessanti più velocemente, AARDVARK riduce il tempo totale di esposizione del campione al fascio di misurazione, che può talvolta danneggiare il materiale. Il sistema si è dimostrato abbastanza flessibile da gestire due diversi tipi di misurazioni: una che mappa la struttura elettronica e un'altra che identifica la composizione chimica degli atomi. Anche se queste due misurazioni osservano il campione in modi diversi, il sistema si è adattato a entrambe, riconoscendo che i confini nella mappa elettronica potrebbero non corrispondere perfettamente ai confini nella mappa chimica, e ha regolato la sua ricerca di conseguenza.

Lo studio dimostra che un computer può imparare a navigare un ambiente fisico complesso in modo molto più efficiente rispetto a un percorso rigido e pre-pianificato. Combinando un modo per semplificare i dati complessi con un metodo che impara dall'incertezza, i ricercatori hanno creato uno strumento che può guidare gli esperimenti in tempo reale. Ciò significa che in futuro gli scienziati potrebbero passare meno tempo a cercare il punto giusto e più tempo a fare la vera scienza, preservando al contempo i delicati campioni che studiano. Il lavoro suggerisce che il futuro di questi esperimenti risiede nel lasciare che siano i dati stessi a dire al ricercatore dove guardare, trasformando una ricerca lenta e manuale in un'esplorazione dinamica e intelligente.