SemiConLens: Visual Analytics for 2D Semiconductor Discovery

SemiConLens is een visueel analytics-systeem dat een nieuwe Correlation Aware Multivariate Imputation (CAMI)-methode integreert met interactieve visualisaties om uitdagingen op het gebied van data-schaarste en betrouwbaarheid te overwinnen, waardoor materiaalkundigen effectief veelbelovende 2D-halfgeleiderkandidaten kunnen ontdekken en evalueren.

De kern

Stel je voor dat je een schatzoeker bent die op zoek is naar een zeer specifiek type goud in een enorme, chaotische oceaan. In de echte wereld is dit "goud" een nieuw type 2D-halfgeleider—een materiaal dat slechts enkele atomen dik is en onze toekomstige computers, telefoons en energienetwerken kan aandrijven.

Het probleem is dat de oceaan enorm is, het water troebel is, en de kaart die je hebt vol gaten zit.

Dit artikel introduceert SemiConLens, een high-tech "duikpak en sonarsysteem" dat is ontworpen om wetenschappers te helpen deze materialen sneller en betrouwbaarder te vinden. Hieronder wordt uitgelegd hoe het werkt, opgesplitst in eenvoudige concepten:

1. Het Probleem: Een Kaart met Ontbrekende Delen

Wetenschappers weten dat traditionele computerchips tegen een muur aanlopen; ze worden te klein en worden te heet. Ze hebben nieuwe 2D-materialen nodig om dit op te lossen.

• De Oude Manier: Wetenschappers mengden vroeger chemicaliën in een lab, testten ze en hoopten op het beste. Dit is als proberen een naald in een hooiberg te vinden door het hooi één voor één met een stok te prikken. Het is traag en duur.
• De Nieuwe Manier (De Uitdaging): Ze begonnen computers en Kunstmatige Intelligentie (AI) te gebruiken om te voorspellen welke materialen zouden werken. Maar er zit een addertje onder het gras: de AI is als een student die niet genoeg schoolboeken heeft gelezen. De data is "spaarzaam" (vol ontbrekende pagina's), en de AI raadt vaak zonder te weten of het goed is. Het is alsof je een weerman vraagt om de regen van volgende week te voorspellen terwijl hij alleen data heeft voor drie dagen.

2. De Oplossing: SemiConLens

De auteurs hebben een systeem gebouwd dat SemiConLens heet en dat fungeert als een brug tussen de ruwe kracht van de AI en de menselijke intuïtie van de wetenschapper. Het heeft twee hoofdmotoren:

Motor A: De "Slimme Opvuller" (CAMI)

Omdat de data-kaart gaten heeft, moet het systeem ze opvullen zonder nepfeiten te verzinnen.

• Hoe het werkt: Stel je voor dat je de prijs van een huis in een wijk moet raden waar sommige prijskaartjes ontbreken. In plaats van willekeurig te raden, kijk je naar de huizen ernaast die vergelijkbaar zijn (zelfde grootte, dezelfde stijl) en zie je wat zij hebben opgebracht.
• De Innovatie: Het systeem gebruikt een methode genaamd CAMI. Het kijkt naar hoe verschillende materiaaleigenschappen met elkaar samenhangen (correlatie) en vindt vergelijkbare materialen (gelijksoortigheid) om de ontbrekende cijfers in te vullen. Het is als een detective die contextuele aanwijzingen gebruikt om een mysterie op te lossen in plaats van zomaar te raden.

Motor B: De "Kristallen Bol met een Vertrouwensmeter" (Voorspelling en Onzekerheid)

Zodra de kaart is opgevuld, gebruikt het systeem AI om te voorspellen hoe goed een materiaal zal zijn. Maar in tegenstelling tot een standaard AI die gewoon één getal geeft, vertelt SemiConLens je hoe zeker het is.

• De Analogie: Als een normale AI zegt: "Dit materiaal is 90% efficiënt", zegt SemiConLens: "Dit materiaal is 90% efficiënt, maar ik ben maar 60% zeker van dat getal omdat ik een deel van de data moest raden."
• Waarom dit belangrijk is: Dit voorkomt dat wetenschappers tijd verspillen aan materialen waar de AI alleen maar "hallucineert" (wild gokt).

3. De Interface: Een Dashboard voor Ontdekking

Het systeem presenteert deze data op een scherm met drie hoofdweergaven, die fungeren als een cockpit voor de schatzoeker:

• De Filterweergave (Het Zeefje): Hier stellen wetenschappers hun regels in. Ze kunnen zeggen: "Laat me alleen materialen zien die stabiel zijn bij kamertemperatuur en een hoge snelheid hebben." Het is als het instellen van een zeef om alleen de goudklompjes te vangen en het zand erdoor te laten vallen. Het toont ook een "geschiedenislijn" zodat ze kunnen zien hoe ze bij hun huidige lijst zijn gekomen.
• De Ontdekkingsweergave (Het Sterrenbeeldkaart): Dit is het coolste deel. De materialen worden weergegeven als ronde badges (glyphs).
  • De Binnenste Taart: Toont de belangrijkste statistieken (zoals snelheid en energie).
  • De Buitenste Ring: Toont waarom het materiaal die statistieken heeft (welke kleine atomen het effect veroorzaken).
  • De Indeling: De badges zijn zo gerangschikt dat vergelijkbare materialen bij elkaar clusteren, zoals sterren in een sterrenbeeld. Het systeem gebruikt een speciaal algoritme om ze uit elkaar te duwen zodat ze niet overlappen, zelfs niet als er duizenden zijn.
• De Vergelijkingsweergave (Het Scorebord): Wanneer een wetenschapper twee veelbelovende kandidaten vindt, kan hij ze naast elkaar zetten in een hittekaart. Het is als het vergelijken van twee auto's op een specificatieblad, maar dan met een 3D-model dat je kunt ronddraaien om de moleculaire structuur te zien.

4. Werkt het?

De auteurs hebben dit systeem getest met echte materiaalkundigen (experts op dit gebied).

• Het Oordeel: De experts vonden het geweldig. Ze zeiden dat het hen hielp om veel sneller dan voorheen potentiële materialen te vinden.
• Realiteitstest: In één test gebruikten ze het systeem om materialen te vinden voor het splitsen van water in waterstofbrandstof. Het systeem identificeerde snel een materiaal (WS2) dat experts al wisten dat goed was, wat bewees dat het systeem werkt. In een andere test vonden ze kandidaten voor een nieuw type laagvermogen transistor.
• Een Kleine Klacht: Het systeem is wat traag (het duurt ongeveer 7 seconden om te updaten) wanneer er duizenden items op het scherm staan, omdat het zware wiskunde doet om te voorkomen dat de badges overlappen. Maar de experts zeiden dat de afweging het waard was.

Samenvatting

SemiConLens is een tool die een rommelige, onvolledige dataset van potentiële materialen neemt, slimme wiskunde gebruikt om de gaten op te vullen, en vervolgens de resultaten weergeeft op een manier die menselijke experts in staat stelt patronen te zien, het vertrouwen van de AI te controleren en betere beslissingen te nemen. Het verandert de chaotische oceaan van data in een duidelijke, navigeerbare kaart voor het vinden van de volgende generatie technologie.

Technische samenvatting

Technische Samenvatting: SemiConLens: Visuele Analytics voor de Ontdekking van 2D-Halgeleiders

Probleemstelling
De ontdekking van nieuwe twee-dimensionale (2D) halgeleidermaterialen is cruciaal voor het overwinnen van de prestatiebeperkingen van traditionele siliciumgebaseerde transistoren op nanometerschaal. Dit proces staat echter voor aanzienlijke hindernissen. Traditionele experimentele workflows zijn traag, kostbaar en vertrouwen sterk op trial-and-error. Computergestuurde benaderingen, zoals Dichtheidsfunctionaaltheorie (DFT), zijn accuraat maar computergewijs duur en traag voor grootschalige screening. Machine Learning (ML) biedt een sneller alternatief, maar wordt gehinderd door twee primaire uitdagingen in de materiaalkunde: (1) Data-Schaarste, waarbij datasets zoals C2DB duizenden verbindingen bevatten maar slechts enkele honderden met gelabelde waarden voor kritieke attributen (bijv. CBM GW, VBM GW); en (2) Betrouwbaarheid en Verantwoorde Toetsbaarheid, waarbij ML-modellen vaak fungeren als "black boxes", zonder transparantie over voorspellingonzekerheid en de onderliggende redenering achter beslissingen.

Methodologie
De auteurs stellen SemiConLens voor, een visuele analytics-systeem ontworpen om de kloof te overbruggen tussen menselijke domeinexpertise en ML-mogelijkheden. Het systeem werkt via twee geïntegreerde modules: een schaarstebewuste voorspellingspijplijn en een interactieve visualisatie-interface.

1. Schaarstebewuste Voorspellingspijplijn:

   • Correlatiebewuste Multivariate Imputatie (CAMI): Om data-schaarste aan te pakken, hebben de auteurs CAMI ontwikkeld. In tegenstelling tot standaard imputatie vult CAMI iteratief ontbrekende waarden in door eerst kolommen/rijen met excessieve ontbrekende waarden te filteren, en vervolgens een Pearson-correlatiematrix te berekenen. Voor een doelkolom met ontbrekende waarden identificeert het de best gecorreleerde kolommen, imputeert het hun ontbrekende waarden met kolomgemiddelden, en past het vervolgens een op gelijkenis gebaseerde rijselectie toe (met K-Nearest Neighbors) om de doelwaarde te schatten op basis van de meest vergelijkbare waargenomen instanties. Dit behoudt inter-attribuutcorrelaties beter dan globale gemiddelde imputatie.
   • Modelselectie en Onzekerheidsschatting: Het systeem evalueert meerdere ML-modellen (RF, SVR, MLP, GB, NGBoost, Autoencoders) om vijf sleutelattributen van halgeleiders te voorspellen. Op basis van prestaties worden Autoencoders (AE) geselecteerd voor elektron- en gatmobiliteit (gebruikmakend van few-shot learning-mogelijkheden), terwijl Natural Gradient Boosting (NGBoost) wordt gebruikt voor Bandgap GW, VBM GW en CBM GW.
   • Kwantificering van Onzekerheid: Onzekerheid wordt expliciet berekend: voor AE via reconstructiefout (Mean Absolute Percentage Error); voor NGBoost via Relatieve Standaardafwijking (RSD) afgeleid van voorspelde standaardafwijkingen. De belangrijkheid van kenmerken wordt bepaald met SHAP (SHapley Additive exPlanations)-waarden.

2. Visueel Analytics Systeem:
   De interface bestaat uit drie gecoördineerde weergaven:

   • Filterweergave: Biedt een overzicht van attribuutdistributies met parallelle coördinaten en ingebedde spreidingsdiagrammen voor onzekerheidsvisualisatie. Het bevat een bedieningspaneel voor attribuutselectie en een boomdiagram voor het bijhouden van de verkenninggeschiedenis.
   • Ontdekkingweergave: Visualiseert de ruimte van verbindingen met een nieuw ontwerp van cirkelvormige glyph. De binnenste cirkeldiagram codeert door de gebruiker geselecteerde sleutelattributen, terwijl de buitenste cirkelvormige staafdiagram invloedsfactoren codeert (kenmerkbelang of correlatiesterkte) om uit te leggen waarom een verbinding bepaalde waarden heeft. Om visuele rommel in dichte clusters te beheersen, wordt een clusterbewuste lay-outoptimalisatie-techniek toegepast. Dit combineert cartogram-schaling (uitbreiden van gebieden op basis van clustergrootte) met een krachtgericht algoritme dat grensbeperking- en positiebehoudskrachten omvat om overlapping te minimaliseren terwijl de cluster-topologie behouden blijft.
   • Vergelijkingsweergave: Faciliteert gedetailleerde analyse via een interactieve heatmap waarbij rijen verbindingen voorstellen en kolommen attributen. Data-bronnen (voorspeld, imputatie, grondwahrheid) en onzekerheid (via straal van de cirkel) worden visueel gecodeerd. Het integreert ook 3D-moleculaire structuurvisualisatie.

Belangrijkste Bijdragen

• CAMI-methode: Een nieuwe imputatietechniek die zowel attribuutcorrelatie als steekproefgelijkenis benut om schaarse materialdatasets te hanteren, en die in voorspellende taken beter presteert dan gemiddelde en nul-imputatie.
• SemiConLens Systeem: Een end-to-end visueel analytics-framework dat schaarstebewuste voorspelling integreert met interactieve visualisatie. Het combineert uniek ML-voorspellingen met kwantificering van onzekerheid en verklaarbaarheid (via SHAP) om betrouwbare ontdekking te ondersteunen.
• Visuele Ontwerpinnovaties: De introductie van een dubbel-laags cirkelvormige glyph die tegelijkertijd attribuutwaarden en hun invloedsfactoren weergeeft, gekoppeld aan een clusterbewust lay-outoptimalisatie-algoritme dat clusterstructuren behoudt terwijl het glyph-overlapping in visualisaties met hoge dichtheid reduceert.

Resultaten en Evaluatie
Het systeem werd geëvalueerd via kwantitatieve metrics, expertinterviews en twee use-cases.

• Kwantitatieve Evaluatie: De CAMI-methode verbeterde de voorspellingsprestaties voor elektron- en gatmobiliteit aanzienlijk in vergelijking met gemiddelde en nul-imputatie. Modelevaluatie bevestigde dat AE-modellen superieur waren voor mobiliteitsvoorspelling, terwijl NGBoost het beste presteerde voor bandgap-gerelateerde attributen.
• Expertinterviews: Twaalf domeinexperts (PhD-studenten, postdocs en onderzoeksfellow) evalueerden het systeem. Deelnemers beoordeelden het systeem hoog op effectiviteit (gemiddeld 6,00–6,67) en gebruiksvriendelijkheid (gemiddeld 6,50). Experts merkten de mogelijkheid van het systeem op om veelbelovende kandidaten te identificeren en de bruikbaarheid van de filtergeschiedenis en onzekerheidsvisualisatie op. Enkele feedback gaf aan dat de informatiedichtheid overweldigend kon zijn en dat de systeemresponsietijden (ongeveer 7 seconden door lay-outoptimalisatie) verbeterd konden worden.
• Use-cases:
  • Water splitsing: Het systeem identificeerde WS2 succesvol als een kandidaat vergelijkbaar met de benchmark MoS2 voor waterstofevolutie, wat de filter- en clusterverkenningworkflow valideerde.
  • Tunnelveld-effecttransistors (TFET's): Het systeem hielp bij het identificeren van donor-acceptorparen met specifieke Type-II-bandalignatie, wat het vermogen demonstreert om computergestuurde filtering te combineren met expertdomeinkennis (bijv. het uitsluiten van niet-gelaagde structuren).

Betekenis
Het artikel stelt dat SemiConLens materiaalkundigen effectief ondersteunt bij het ontdekken van hoogpotentiële 2D-halgeleiders door het ontdekkingsproces transparanter en betrouwbaarder te maken. Door data-schaarste expliciet aan te pakken via CAMI en voorspellingonzekerheid en kenmerkbelang te visualiseren, stelt het systeem geïnformeerde besluitvorming mogelijk in een veld waar data vaak beperkt is en traditionele methoden te traag zijn. Het werk demonstreert dat het combineren van menselijke intuïtie met ML-gedreven inzichten, gemedieerd door een op maat gemaakt visueel analytics-interface, de identificatie van gewenste materialen voor next-generation technologieën kan versnellen.