🔬 mesoscale physics

Autonomous Quantum Transport Measurements of 2D Semiconductors by an AI Agent

Dit artikel presenteert een door AI gedreven workflow die gebruikmaakt van de FermiLink-agent harness om autonoom meerdaagse kwantumtransportmetingen op 2D MoS2-devices te plannen, uit te voeren en te analyseren, waarbij succesvol spin-orbitaal koppelingsenergieën zijn bepaald en fasediagrammen zijn in kaart gebracht, terwijl de instrumentale veiligheid gewaarborgd bleef.

Oorspronkelijke auteurs: Brandon Bauer, Matthew Whalen, Kenji Watanabe, Takashi Taniguchi, John Q. Xiao, Tao E. Li, Wenjin Zhao

Gepubliceerd 2026-09-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Brandon Bauer, Matthew Whalen, Kenji Watanabe, Takashi Taniguchi, John Q. Xiao, Tao E. Li, Wenjin Zhao

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

In de stille, ijskoude diepten van een laboratorium bestuderen wetenschappers materialen die zich op manieren gedragen die gewoonlijk materie niet vertoont. Dit zijn kwantummaterialen, substanties waarbij elektronen bewegen in patronen die zo delicaat zijn dat ze alleen geobserveerd kunnen worden bij temperaturen kouder dan de diepe ruimte. Om hen te begrijpen, moeten onderzoekers minuscule elektrische stromen door microscopische apparaten leiden terwijl ze zorgvuldig magnetische velden en spanning aanpassen. Dit proces is traag, veeleisend en vereist een vaste hand; één enkele fout kan een fragiel monster ruïneren of dure apparatuur beschadigen. Decennialang heeft dit werk volledig vertrouwd op menselijke experts die dagen of weken lang instrumenten monitoren, razendsnelle beslissingen nemen en complexe gegevens interpreteren. Het doel is altijd geweest om in kaart te brengen hoe deze materialen elektriciteit geleiden, wat verborgen eigenschappen onthult die er op een dag technologieën van kunnen aandrijven. De enorme complexiteit van deze experimenten betekent echter dat vooruitgang vaak beperkt wordt door hoe snel een mens kan denken en handelen.

Een nieuwe aanpak verandert dit landschap. Onderzoekers hebben een kunstmatige intelligentie-agent geïntroduceerd die in staat is om deze delicate experimenten van begin tot eind uit te voeren zonder menselijke tussenkomst. Dit systeem volgt niet alleen een rigide script; het plant, voert uit en analyseert meerdaagse meetcampagnes op eigen houtje. Het team testte deze AI op apparaten gemaakt van molybdeen disulfide, een materiaal dat bestaat uit een enkele laag atomen van slechts enkele nanometers dik. Wanneer deze materialen op verschillende manieren worden gestapeld, veranderen hun elektrische eigenschappen drastisch. In een enkele laag gedragen de elektronen zich op een specifieke manier die hun energieniveaus splitst, terwijl in twee lagen de elektronen verschillende regio's kunnen bezetten, afhankelijk van het toegepaste elektrische veld. Het begrijpen van deze gedragingen vereist het verzamelen van enorme hoeveelheden gegevens over vele variabelen, een taak die voor mensen eentonig is maar ideaal voor een geautomatiseerd systeem.

De onderzoekers bouwden een framework genaamd FermiLink om de AI te begeleiden. Dit systeem fungeert als een veiligheidslaag, die ervoor zorgt dat de AI nooit commando's geeft die de delicate monsters of de cryogene instrumenten zouden kunnen beschadigen. De AI krijgt een simpel doel, zoals "meet de energiesplitsing in een single-layer device", en breekt dit doel vervolgens af in een reeks logische stappen. Het beslist welke spanningen het moet toepassen, hoe lang het moet wachten op de gegevens en hoe het de resultaten moet interpreteren voordat het naar de volgende stap gaat. Als een meting mislukt of de gegevens van slechte kwaliteit zijn, herkent de AI dit en past het zijn plan aan, net zoals een menselijke wetenschapper dat zou doen. Dit vermogen om zich aan te passen is cruciaal, aangezien experimenten in de echte wereld zelden precies verlopen zoals voorspeld. Het systeem werd getest op twee soorten apparaten: een enkele laag molybdeen disulfide en een dubbele laag.

In de eerste campagne richtte de AI zich op een single-layer device om het energieverschil tussen twee spin-toestanden van de elektronen te bepalen. Gedurende meerdere dagen voerde de agent een reeks metingen uit, beginnend met het vinden van het juiste spanningsbereik om het device aan te zetten. Vervolgens paste het magnetische velden toe om patronen in de elektrische weerstand te creëren, die het onderliggende kwantumgedrag onthulden. Door deze patronen te analyseren, berekende de AI de energiesplitsing veroorzaakt door de interne magnetische eigenschappen van het materiaal. Het bepaalde deze waarde als 13 millielectronvolt, een precieze meting die overeenkwam met wat menselijke experts verwachtten. Het systeem identificeerde ook vroegtijdig een device van lage kwaliteit, sloeg onnodige stappen over en genereerde een rapport waarin stond dat er geen nuttige gegevens verkregen konden worden, wat zijn vermogen demonstreerde om oordeelsvorming te gebruiken in plaats van blindelings instructies op te volgen.

De tweede campagne was complexer en betrof een device met twee lagen, waarbij de fysica nog ingewikkelder is. Hier moest de AI in kaart brengen hoe elektronen zich tussen de bovenste en onderste lagen verdelen onder verschillende elektrische velden. De agent mat eerst de dikte van de isolerende lagen rondom het device om de berekeningen te kalibreren. Vervolgens voerde het een sweep uit over een breed bereik van spanningen en magnetische velden om een gedetailleerde kaart van het gedrag van het materiaal te maken. Door te analyseren hoe de elektrische weerstand veranderde, identificeerde de AI de grenzen waar elektronen overgingen van gedeeld tussen de lagen naar vastgelegd in één laag. Het slaagde er succesvol in een fasediagram op te stellen dat precies laat zien waar deze transities plaatsvonden, waarmee het effectief nieuw gebied in het gedrag van het materiaal in kaart bracht zonder menselijke begeleiding.

Het succes van deze experimenten berust op drie belangrijke ontwerpkeuzes die het systeem betrouwbaar houden. Ten eerste is de AI getraind om op één specifieke vraag tegelijk te reageren, met duidelijke regels voor wanneer een antwoord goed genoeg is om verder te gaan. Ten tweede maakt het systeem gebruik van een gedeeld geheugen waardoor verschillende delen van de AI kunnen onthouden wat er in eerdere stappen is gebeurd, wat ervoor zorgt dat de gehele meerdaagse campagne coherent blijft. Ten derde is de AI gescheiden van de fysieke hardware door een veiligheidslaag die voorkomt dat het fatale fouten maakt, zoals het toepassen van een te hoge spanning. Deze opzet stelt de AI in staat om de langdurige, repetitieve aard van deze experimenten aan te kunnen, terwijl de waardevolle apparatuur veilig blijft.

Hoewel dit werk een belangrijke stap voorwaarts vertegenwoordigt, zijn de onderzoekers zich bewust van de huidige beperkingen. De AI is nog niet in staat om geheel nieuwe experimentele strategieën vanuit het niets uit te vinden; het vertrouwt nog steeds op menselijke experts om de initiële doelen te definiëren en de basisregels te geven voor het meten van specifieke materialen. Het systeem blinkt uit in het uitvoeren en aanpassen van deze door experts gedefinieerde workflows, maar kan nog geen eigen wetenschappelijke vragen formuleren. Vooruitblikkend ziet het team een toekomst voor zich waarin AI-agenten hun eigen experimentele plannen kunnen opstellen door te leren van eerdere gegevens en bibliotheken van gevestigde methoden. Tot die tijd dient deze autonome agent als een krachtig hulpmiddel dat complexe, meerdaagse kwantumtransportmetingen kan uitvoeren met een niveau van consistentie en uithoudingsvermogen dat mensen niet kunnen evenaren, wat de deur opent naar snellere ontdekkingen in de wereld van kwantummaterialen.

Technische Samenvatting: Autonome Kwantumtransportmetingen van 2D-halfgeleiders door een AI-agent

Probleemstelling
Kwantumtransportmetingen zijn essentieel voor het ontdekken van elektronische fasen in kwantummaterialen, zoals supergeleiders en topologische isolatoren. Het verwerven en interpreteren van de hoogdimensionale datasets die nodig zijn voor deze studies—variërend over meerdere poortspanningen, magnetische velden en temperaturen—is echter tijdrovend en vereist aanzienlijke expertise. Hoewel Large Language Models (LLM's) en AI-agents potentieel bieden voor het automatiseren van experimentele taken, worden de huidige implementaties geconfronteerd met kritieke barrières. Specifiek zijn kwantumapparaten delicaat en zijn cryogene instrumenten fragiel en kostbaar; onbetrouwbare acties van de agent kunnen beide in gevaar brengen. Bovendien rapporteren de meeste bestaande literatuur enkelvoudige stappen of mens-in-de-lus metingen. End-to-end, meerstaps kwantumtransportmetingen die autonoom worden uitgevoerd door AI-agents zonder menselijke tussenkomst blijven afwezig, met name vanwege de instabiliteit van commerciële agents bij langdurige experimenten (uren tot dagen) en het gebrek aan gedetailleerde beslisbomen voor experimentele workflows.

Methodologie
De auteurs introduceren een robuust, door een agent ondersteund framework voor end-to-end kwantumtransportmetingen, geïmplementeerd via de FermiLink agent harness. De methodologie berust op drie kernontwerpprincipes:

De FermiLink Harness en Agent Loop: Het systeem scheidt de besluitvorming van de AI-agent van de directe hardwarecontrole. De harness beheert de experimentele loop:
- Planning: Een AI-agent (gebruikmakend van modellen zoals Codex of Claude Code) ontwerpt gedetailleerde parameterschakelingen op basis van een specifieke wetenschappelijke vraag.
- Executie & Polling: De harness voert de meting uit en controleert de status van de instrumenten tijdens lange wachttijden, waardoor wordt voorkomen dat de AI-agent een time-out krijgt of instabiel wordt.
- Analyse: Na voltooiing worden de data en het projectgeheugen doorgegeven aan een nieuwe analyse-agent voor redenering en post-processing.
- Iteratie: Deze loop herhaalt zich, waarbij elke cyclus een gerichte deelvraag beantwoordt, totdat een uitgebreid rapport is gegenereerd.
Hypothese-gestuurde Agent Skills: Het systeem maakt gebruik van een bibliotheek van "Agent Skills"—templates die domeinkennis, hard-coded controlescripts en post-processing logica bevatten, afgeleid van menselijke expertise. Deze skills worden iteratief verfijnd door middel van "dry runs" (gesimuleerde metingen op bestaande data) om stabiliteit te garanderen voordat ze op fysieke apparaten worden ingezet.
Hard Safety Constraints: Om delicate 2D-materialen en dure cryogene apparatuur te beschermen, wordt toegang tot de hardware bemiddeld door bevroren Python-scripts in plaats van door de AI-agents direct. Kritieke veiligheidsparameters (grenzen voor poortspanning, sweepsnelheden, magnetische veldrangwijde en temperatuurlimieten) zijn hard-coded, waardoor de agent deze niet kan wijzigen.

Experimentele Campagnes en Resultaten
Het framework werd gevalideerd met monolayer en bilayer $MoS_2$ -devices, met autonome campagnes die tot zes dagen duurden.

Monolayer $MoS_2$ Campagne:
- Doel: Bepalen van de conductieband spin-orbit koppeling (SOC) energie en het identificeren van ladingsdragerpopulaties in de $K$ - en $K'$ -valleys.
- Proces: De agent voerde autonoom een sequentie van stappen uit: het bepalen van het geleidende poortspanning-venster, het uitvoeren van Landau fan-metingen om kwantumoscillaties te identificeren, het valideren van FFT-frequenties via continue magnetische veld-sweeps, en het uitvoeren van Hall-weerstandmetingen om de banddegeneratie te bepalen.
- Resultaat: De agent slaagde erin om vast te stellen dat de onderste conductieband bezet is onder een ladingsdragerdichtheid van $n \approx 3.4 \times 10^{13} cm^{-2}$ en concludeerde een SOC-splitting energie van 13 meV op basis van de gegeven effectieve massa.
- Robuustheidstest: Bij toepassing op een device van lage kwaliteit, waar de FFT-pieken onduidelijk waren, identificeerde de agent correct het gebrek aan duidelijke data, sloeg de agent daaropvolgende onnodige stappen over en genereerde een rapport met de conclusie dat geen pieken werden geaccepteerd, wat gedrag vertoonde dat vergelijkbaar is met dat van een deskundig experimentator.
Bilayer $MoS_2$ Campagne:
- Doel: Het in kaart brengen van het laag- en valley-opgeloste fasediagram als functie van ladingsdragerdichtheid ( $n$ ) en elektrisch veld ( $E$ ).
- Proces: De agent calibreerde eerst de top/bottom hBN dikteverhouding en absolute diktes met behulp van weerstands- en Hall-metingen. Vervolgens bracht de agent het $R_{xx}$ landschap in kaart over $n$ en $E$ bij verschillende magnetische velden om grenzen tussen laag-gepolariseerde en laag-gedeelde regio's te identificeren. Ten slotte voerde de agent Landau fan-metingen uit bij specifieke elektrische velden om de valley-bezettingen toe te wijzen op basis van degeneratieregels (bijv. degeneratie van 2 voor $K$ -valleys, 12 voor $Q$ -valleys).
- Resultaat: De agent slaagde erin om een fasediagram op te stellen dat onderscheid maakt tussen laag-gepolariseerde en laag-gedeelde regio's en wijsde specifieke valley-bezettingen toe aan deze regio's.

Belangrijkste Bijdragen

End-to-End Autonomie: Het artikel demonstreert het eerste geval waarin een AI-agent meerstaps, meerdaagse kwantumtransportmetingen uitvoert, van initiële instructie tot het uiteindelijke rapport zonder menselijke tussenkomst.
Safety-First Architectuur: De FermiLink harness introduceert een cruciale scheiding tussen de "oppervlakte" van de AI (besluitvorming) en de "hardware veiligheidslaag" (executie), wat garandeert dat experimentele fouten de apparatuur niet beschadigen.
Iteratieve Skill Verfijning: De methodologie van het gebruik van "dry runs" om Agent Skills iteratief bij te werken, biedt een pad naar het stabiliseren van AI-agents voor complexe, langdurige wetenschappelijke taken.
Generaliseerbaar Framework: Het systeem is ontworpen om aanpasbaar te zijn aan andere typen experimenten buiten $MoS_2$ , wat een stap richting zelfsturende laboratoria vertegenwoordigt.

Betekenis en Claims
De auteurs beweren dat dit werk een waardevolle bron vormt voor de kwantummaterialen-gemeenschap door aan te tonen dat AI-agents betrouwbaar complexe, hypothese-gestuurde experimentele workflows kunnen uitvoeren. Het artikel benadrukt dat het framework open einde experimenten omzet in een reeks verifieerbare beslissingen via de beslisboomstructuur van Agent Skills.

De auteurs blijven echter bescheiden over het huidige niveau van autonomie. Ze stellen expliciet dat voor nieuwe devicetypen menselijke experts nog steeds moeten samenwerken om robuuste Agent Skills te ontwikkelen met behulp van bestaande datasets. De huidige autonomie wordt gedefinieerd als de executie en adaptatie van door experts gedefinieerde workflows, in plaats van de onafhankelijke formulering van meetstrategieën vanuit eerste principes. Het artikel positioneert dit werk als een fundamentele stap naar toekomstige zelfsturende laboratoria waar agents uiteindelijk nieuwe skills zouden kunnen construeren, wetenschappelijke vragen zouden kunnen voorstellen en onafhankelijk naar nieuwe fasen zouden kunnen zoeken.

Meer zoals dit