硅芯片接近物理极限，人工智能助力发现可替代的磁性新材料

相信对大多数人来说，半导体不是一个陌生的名词。它是集成电路和芯片制造最重要的基础材料，从电脑手机到自动驾驶汽车，半导体无处不在。回顾过去的二三十年，从九十年代重量超过一公斤，且仅能打电话的大砖头手机，到现在一二百克，功能丰富的智能手机，半导体的发展可以说是日新月异。但是最近两年，以英特尔为首的半导体厂商却开始放慢了制程的升级迭代之路。目前，半导体制造商最先进的半导体制程已经达到了7nm、5nm，但这几乎已经无限接近硅材料的物理极限。看起来，半导体新材料的研发似乎是能保持未来科技发展的唯一解决方案了。 而人工智能，又能在其中发挥怎样的作用呢？

01

—

磁性材料的发现

2020年初，韩国科学技术研究院(KIST，院长李秉权)的Chaun Jang博士、Jun Woo Choi博士和Hyejin Ryu博士宣布，他们在KIST自旋电子学中心的团队与基础科学研究所(IBS)的Se Young Park博士及其相关电子系统中心的团队在联合研究项目中成功控制了FGT(Fe3GeTe2)的磁性。Fe3GeTe2作为下一代自旋电子半导体的材料开始受到业界广泛关注。

将“自旋 ” 和“电子 ” 结合起来命名的“自旋电子学”是电子工程领域的一个新领域，其目的是利用电子的量子特性--电子自旋来取代传统的硅半导体。

（A）数据生成过程，显示通过模拟退火过程生成的采样自旋配置。色轮表示平面内磁化方向，而灰度表示平面外磁化方向。（B和C）本研究中使用的培训和测试过程。（D）通过实验观察到的磁畴图像进行的附加验证过程。

范德华材料又称二维(2-D)材料，是由通过弱范德华相互作用而相互连接的平面层状材料。其中包括各种材料，如石墨烯和二硫化钼。当它们与其他二维材料结合在一起时，又可以创造出新的材料，显示出以前未被发现的特性。这就是为什么具有超导性、半导性和金属性等多种特性的二维材料成为众多研究的对象。

2017年，显示磁性的二维范德华材料被发现，刺激了世界各地的研究项目和研究。然而，大多数范德瓦尔斯磁性材料在自旋电子学应用方面有一定的限制，因为它们的居里温度低（铁磁材料转变为顺磁性材料的过渡温度点，反之亦然）和矫顽力高（铁磁材料磁性饱和后，将该材料的磁通密度降为零所需的磁场强度），不适合用于某些器件。

新材料的发现和探索，需要大量的实验。以前，为了更准确、更深入地了解磁性材料的特性， 人们会通过各种实验直接测量磁性汉密尔顿参数，这样的过程往往会耗费许多时间和资源。因此，对这种磁性材料的研究进展是非常缓慢的。

02

—

人工智能提速

为了克服这些限制，韩国的研究人员开发了一种人工智能（AI）系统，可以在瞬间分析磁系统。韩国科学技术研究院（KIST）报告称，由自旋融合研究中心的权熙荣博士和崔俊宇博士以及庆熙大学的Changyeon Won教授领导的合作研究小组开发了一种利用AI技术从自旋结构图像中估计磁哈密顿参数的技术。

他们构建了一个深度神经网络，并用深度学习算法和现有的磁域图像对其进行训练。结果，通过输入从电子显微镜获得的自旋结构图像， 可以实时估算出磁汉密尔顿参数。 通过改变磁性哈密顿量参数值，借助蒙特卡洛方法通过模拟退火过程生成了约80,000个自旋构型。在生成的数据集中考虑了实验数据中不可避免的噪声影响。注入噪声的数据集用于训练，验证和测试几种神经网络结构。该测试证明了应用深度学习方法从实验观察到的图像确定电磁相互作用强度的有效性。

此外，与实验研究的参数值相比，该AI系统的估计误差小于1%，表明估计精度极高。据研究团队介绍，他们所开发的人工智能系统能够利用深度学习技术， 瞬间完成以往需要长达数十小时的材料参数估算过程。

“我们提出了一种关于如何实施AI技术来分析磁性系统特性的新方法” ， KIST的Hee-young Kwon博士说。“我们期望利用这种AI技术研究物理系统的新方法能够缩小实验和理论方面的差距，并进一步促成拓展AI技术和基础科学研究融合的新研究领域。”

Powered by Froala Editor