Maschinelles Lernen hilft, Photonik-Anwendungen zu optimieren
Die Computersimulation zeigt, wie sich nach Anregung mit einem Laser in der Siliziumschicht mit Lochmuster das elektromagnetische Feld verteilt. Hier bilden sich Streifen mit lokalen Feldmaxima aus, so dass Quantenpunkte besonders stark leuchten. Bild. C. Barth/HZB
Photonische Nanostrukturen erhöhen nicht nur die Effizienz von Solarzellen, sondern verbessern auch die Wirksamkeit von optischen Sensoren, die zum Beispiel als Krebsmarker verwendet werden. Mit Computersimulationen und dem Einsatz von maschinellem Lernen hat nun ein Team am HZB gezeigt, wie sich das Design solcher Nanostrukturen gezielt optimieren lässt. Die Ergebnisse sind in Communications Physics publiziert.
Mit Nanostrukturen lässt sich die Empfindlichkeit von optischen Sensoren enorm steigern – sofern die Geometrie bestimmte Bedingungen erfüllt und zur Wellenlänge des eingestrahlten Lichts passt. Denn das elektromagnetische Feld des Lichts kann durch die Nanostruktur lokal extrem verstärkt oder abgeschwächt werden. Am HZB arbeitet die Nachwuchsgruppe Nano-SIPPE um Prof. Dr. Christiane Becker daran, solche Nanostrukturen gezielt zu entwickeln. Ein wichtiges Werkzeug dabei sind Computersimulationen. Dr. Carlo Barth aus Beckers Team hat nun mit Einsatz von maschinellem Lernen die wichtigsten Muster der Feldverteilung in einer Nanostruktur identifiziert und damit auch erstmals sehr gut die experimentellen Befunde erklärt.
Nanostrukturen: Licht bringt Quantenpunkte zum Leuchten
Die in dieser Arbeit betrachteten photonischen Nanostrukturen bestehen aus einer Siliziumschicht mit einem regelmäßigen Lochmuster, die mit Quantenpunkten aus Bleisulfid beschichtet ist. Angeregt mit einem Laser leuchten die Quantenpunkte durch die lokalen Felderhöhungen wesentlich stärker als auf einer unstrukturierten Oberfläche. Damit lässt sich experimentell zeigen, wie das Laserlicht mit der Nanostruktur wechselwirkt.
Zehn verschiedene Muster
Um nun systematisch zu erfassen, was passiert, wenn sich einzelne Parameter der Nanostruktur verändern, berechnete Barth unter Verwendung einer am Zuse-Institut Berlin entwickelten Software für jeden Parametersatz die dreidimensionale Feldverteilung. Diese enormen Datenmengen ließ Barth dann von weiteren Computerprogrammen analysieren, die auf Methoden des maschinellen Lernens basieren. „Der Rechner hat die rund 45.000 Datensätze durchforstet und in etwa zehn unterschiedliche Muster gruppiert“, erklärt Barth. Schließlich gelang es Barth und Becker unter anderen drei Grundmuster herauszukristallisieren, bei denen in verschiedenen spezifischen Bereichen der Nanolöcher die Felder verstärkt sind.
Sensoren für einzelne Moleküle, zum Beispiel Krebsmarker
Dies erlaubt nun die Optimierung photonischer Kristallmembranen für praktisch jede Anwendung, die auf Anregungsverstärkung basiert. Denn je nach Anwendung lagern sich manche Biomoleküle zum Beispiel bevorzugt entlang der Lochränder an, andere eher auf den Plateaus zwischen den Löchern. Mit der richtigen Geometrie und der passenden Anregung durch Licht ließe sich dann die maximale Feldverstärkung exakt an den Anlagerungsplätzen der gesuchten Moleküle erzeugen. Damit ließe sich die Sensitivität von optischen Sensoren, beispielsweise für Krebsmarker, bis auf das Niveau von Einzelmolekülen erhöhen.
Der verwendete Code und auch die Daten stehen frei zum Download zur Verfügung.
Die Studie ist publiziert in Communications Physics (2018). “Machine learning classification for field distributions of photonic modes”, Carlo Barth & Christiane Becker
DOI:10.1038/s42005-018-0060-1
- Neues Instrument bei BESSY II: Die OÆSE-Endstation in EMILAn BESSY II steht nun ein neues Instrument zur Untersuchung von Katalysatormaterialien, Batterieelektroden und anderen Energiesystemen zur Verfügung: die Operando Absorption and Emission Spectroscopy on EMIL (OÆSE) Endstation im Energy Materials In-situ Laboratory Berlin (EMIL). Ein Team um Raul Garcia-Diez und Marcus Bär hat die Leistungsfähigkeit des Instruments an elektrochemisch abgeschiedenem Kupfer demonstriert.
- Grüner Wasserstoff: Käfigstruktur verwandelt sich in effizienten KatalysatorClathrate zeichnen sich durch eine komplexe Käfigstruktur aus, die auch Platz für Gast-Ionen bietet. Nun hat ein Team erstmals untersucht, wie gut sich Clathrate als Katalysatoren für die elektrolytische Wasserstoffproduktion eignen. Das Ergebnis: Effizienz und Robustheit sind sogar besser als bei den aktuell genutzten Nickel-basierten Katalysatoren. Dafür fanden sie auch eine Begründung. Messungen an BESSY II zeigten, dass sich die Proben während der katalytischen Reaktion strukturell verändern: Aus der dreidimensionalen Käfigstruktur bilden sich ultradünne Nanoblätter, die maximalen Kontakt zu aktiven Katalysezentren ermöglichen. Die Studie ist in „Angewandte Chemie“ publiziert.
- Elegantes Verfahren zum Auslesen von Einzelspins über PhotospannungDiamanten mit spezifischen Defekten können als hochempfindliche Sensoren oder Qubits für Quantencomputer genutzt werden. Die Quanteninformation wird dabei im Elektronenspin-Zustand der Defekte gespeichert. Allerdings müssen die Spin-Zustände bislang optisch ausgelesen werden, was extrem aufwändig ist. Nun hat ein Team am HZB eine elegantere Methode entwickelt, um die Quanteninformation über eine Photospannung auszulesen. Dies könnte ein deutlich kompakteres Design von Quantensensoren ermöglichen.