相信對大多數(shù)人來說，半導體不是一個陌生的名詞。它是集成電路和芯片制造*重要的基礎材料，從電腦手機到自動駕駛汽車，半導體無處不在�；仡欉^去的二三十年，從九十年代重量超過一公斤，且僅能打電話的大磚頭手機，到現(xiàn)在一二百克，功能豐富的智能手機，半導體的發(fā)展可以說是日新月異。但是*近兩年，以英特爾為首的半導體廠商卻開始放慢了制程的升級迭代之路。目前，半導體制造商*先進的半導體制程已經(jīng)達到了7nm、5nm，但這幾乎已經(jīng)無限接近硅材料的物理極限�？雌饋�，半導體新材料的研發(fā)似乎是能保持未來科技發(fā)展的*解決方案了。而人工智能，又能在其中發(fā)揮怎樣的作用呢？

01 磁性材料的發(fā)現(xiàn)

2020年初，韓國科學技術研究院(KIST，院長李秉權(quán))的Chaun Jang博士、Jun Woo Choi博士和Hyejin Ryu博士宣布，他們在KIST自旋電子學中心的團隊與基礎科學研究所(IBS)的Se Young Park博士及其相關電子系統(tǒng)中心的團隊在聯(lián)合研究項目中成功控制了FGT(Fe3GeTe2)的磁性。Fe3GeTe2作為下一代自旋電子半導體的材料開始受到業(yè)界廣泛關注。

將“自旋”和“電子”結(jié)合起來命名的“自旋電子學”是電子工程領域的一個新領域，其目的是利用電子的量子特性--電子自旋來取代傳統(tǒng)的硅半導體。

（A）數(shù)據(jù)生成過程，顯示通過模擬退火過程生成的采樣自旋配置。色輪表示平面內(nèi)磁化方向，而灰度表示平面外磁化方向。（B和C）本研究中使用的培訓和測試過程。（D）通過實驗觀察到的磁疇圖像進行的附加驗證過程。

范德華材料又稱二維(2-D)材料，是由通過弱范德華相互作用而相互連接的平面層狀材料。其中包括各種材料，如石墨烯和二硫化鉬。當它們與其他二維材料結(jié)合在一起時，又可以創(chuàng)造出新的材料，顯示出以前未被發(fā)現(xiàn)的特性。這就是為什么具有超導性、半導性和金屬性等多種特性的二維材料成為眾多研究的對象。

2017年，顯示磁性的二維范德華材料被發(fā)現(xiàn)，刺激了世界各地的研究項目和研究。然而，大多數(shù)范德瓦爾斯磁性材料在自旋電子學應用方面有一定的限制，因為它們的居里溫度低（鐵磁材料轉(zhuǎn)變?yōu)轫槾判圆牧系倪^渡溫度點，反之亦然）和矯頑力高（鐵磁材料磁性飽和后，將該材料的磁通密度降為零所需的磁場強度），不適合用于某些器件。

新材料的發(fā)現(xiàn)和探索，需要大量的實驗。以前，為了更準確、更深入地了解磁性材料的特性，人們會通過各種實驗直接測量磁性漢密爾頓參數(shù)，這樣的過程往往會耗費許多時間和資源。因此，對這種磁性材料的研究進展是非常緩慢的。

02 人工智能提速

為了克服這些限制，韓國的研究人員開發(fā)了一種人工智能（AI）系統(tǒng)，可以在瞬間分析磁系統(tǒng)。韓國科學技術研究院（KIST）報告稱，由自旋融合研究中心的權(quán)熙榮博士和崔俊宇博士以及慶熙大學的Changyeon Won教授領導的合作研究小組開發(fā)了一種利用AI技術從自旋結(jié)構(gòu)圖像中估計磁哈密頓參數(shù)的技術。

他們構(gòu)建了一個深度神經(jīng)網(wǎng)絡，并用深度學習算法和現(xiàn)有的磁域圖像對其進行訓練。結(jié)果，通過輸入從電子顯微鏡獲得的自旋結(jié)構(gòu)圖像，可以實時估算出磁漢密爾頓參數(shù)。通過改變磁性哈密頓量參數(shù)值，借助蒙特卡洛方法通過模擬退火過程生成了約80,000個自旋構(gòu)型。在生成的數(shù)據(jù)集中考慮了實驗數(shù)據(jù)中不可避免的噪聲影響。注入噪聲的數(shù)據(jù)集用于訓練，驗證和測試幾種神經(jīng)網(wǎng)絡結(jié)構(gòu)。該測試證明了應用深度學習方法從實驗觀察到的圖像確定電磁相互作用強度的有效性。

此外，與實驗研究的參數(shù)值相比，該AI系統(tǒng)的估計誤差小于1%，表明估計精度極高。據(jù)研究團隊介紹，他們所開發(fā)的人工智能系統(tǒng)能夠利用深度學習技術，瞬間完成以往需要長達數(shù)十小時的材料參數(shù)估算過程。

“我們提出了一種關于如何實施AI技術來分析磁性系統(tǒng)特性的新方法”，KIST的Hee-young Kwon博士說�！拔覀兤谕�利用這種AI技術研究物理系統(tǒng)的新方法能夠縮小實驗和理論方面的差距，并進一步促成拓展AI技術和基礎科學研究融合的新研究領域�！�