Ett nytt sätt att kontrollera ljus för snabbare framtida datorer

Forskare har skapat en ny typ av metamaterial som kan erbjuda omfattande ljusblockerande funktionalitet för fotonisk databehandling.

En metamaterial är ett konstruerat material vars egenskaper inte uppstår från den kemiska sammansättningen av dess grundkomponenter utan från deras noggrant designade interna struktur. På så sätt kan dessa material uppvisa ovanliga egenskaper som inte finns i naturligt förekommande material.

Dessa material är vanligtvis sammansatta av flera material, såsom metaller och plaster,  och arrangerade i upprepande, subvåglängdsstrukturer. Form, storlek, geometri, orientering och arrangemang ger dem deras egenskaper, vilket möjliggör manipulation av elektromagnetiska, akustiska eller seismiska vågor genom att absorbera, böja, förstärka eller blockera vågor för att uppnå fördelar som inte är möjliga med konventionella material.

nytt metamaterial konstruerat¹ av forskare vid New York University kombinerar funktioner som vanligtvis är förknippade med vätskor och kristaller men överträffar båda av dem i sin förmåga att blockera inkommande ljus från alla vinklar.

Benämnda gyromorpher, den nya klassen av funktionellt korrelerade oordnade material, förenar vätskeliknande slumpmässighet med storskaliga strukturella mönster för att blockera ljus från alla riktningar. Studien konstaterade:

“Vi genererar gyromorpher i 2D och 3D med spektrala optimeringsmetoder, och verifierar att de visar stark diskret rotationsordning men ingen långdistans translational ordning, samtidigt som de behåller rotationsisotropi på kort räckvidd för tillräckligt stora 퐺.”

Med denna innovation har forskarna löslat begränsningarna i kvasicristallbaserade designer som länge har besvärat forskare. Det kan också hjälpa till att driva framsteg i fotonisk databehandling.

Från kvasi kristaller till gyromorpher i fotonisk databehandling

I fotonisk databehandling används fotoner istället för elektriska strömmar för att utföra beräkningar. Denna nya generation av datorer, när den realiseras, kan vara mycket mer effektiv och snabbare än traditionella konventionella maskiner.

Med databehandling i ljusets hastighet har den potential för högpresterande uppgifter som AI, men tekniken står för närvarande inför utmaningar i miniaturisering och kostnad. 

Framsteg inom området har lett till utvecklingen av funktionella fotoniska chip för integration i högpresterande beräkningsservrar. Men ljusdriven databehandling är fortfarande i ett tidigt stadium, med forskare som kämpar för att kontrollera mikroskopiska ljusströmmar som färdas genom ett chip. 

Omsorgsfullt designade material är vad vi behöver för att framgångsrikt omdirigera dessa små optiska signaler utan att försvaga deras styrka. Att hålla dessa signaler starka kräver en specialiserad, lättviktig substans i hårdvaran som förhindrar stray ljus från att komma in från någon riktning. 

En avgörande komponent för att uppnå detta är att införliva det isotropa bandgap-materialet. Detta material blockerar ljus eller andra vågor från att propagera i alla riktningar, så länge frekvenserna ligger inom dess bandgap. Sådant material kan vara oordnat men hyperuniformt, vilket betyder att det saknar långdistans translational ordning men har en specifik, kontrollerad typ av slumpmässighet.

När man konstruerar isotropa bandgap-material har forskare långt fokuserat på kvasicristaller.

Dessa strukturer som följer matematiska regler men inte upprepar sig som traditionella kristaller upptäcktes först av forskaren Dan Shechtman i början av 1980-talet, för vilket han vann Nobelpriset i kemi 2011.

Upptäckten gjordes medan man forskade på aluminium och mangan. När de två metallerna smältes ihop och snabbt kyls för att bilda en legering, uppvisade de tiofaldig symmetri under ett elektronstråle-mikroskop, en egenskap som inte förekommer i kristallina strukturer såsom metaller.

Kvasicristaller har egenskaper hos kristallina strukturer, som diamanter, vilket betyder att de är organiserade i mönster, liksom amorfa strukturer som glas, vilket betyder att dessa mönster inte upprepas. Deras unika egenskaper gör kvasicristaller både hållbara och spröda.

I en studie från University of Michigan tidigare i år, fann forskarna att kvasicristaller är fundamentalt stabila material² trots att de delar likheter med oordnade fasta ämnen.

“Vi måste veta hur vi ska arrangera atomer i specifika strukturer om vi vill designa material med önskade egenskaper,” noterade studiens medförfattare, Wenhao Sun, Dow Early Career Assistant Professor of Materials Science and Engineering. “Kvasicristaller har tvingat oss att ompröva hur och varför vissa material kan bildas.”

För att ge svaret på bara varför kvasicristaller existerar eller hur de bildas, var forskarna tvungna att först förstå bara vad som gör dem stabila. För detta var de tvungna att avgöra om kvasicristaller är entalpi- eller entropi-stabiliserade, så forskarna tog småare nanopartiklar från ett större simulerat block av kvasicristall, sedan beräknade den totala energin i varje nanopartikel.

Forskarna upptäckte att både de välutforskade kvasicristallerna, en legering av skandium och zink, och en legering av ytterbium och kadmium, är entalpi-stabiliserade.

För beräkningen använde teamet kvantmekaniska simuleringar av kvasicristaller, och för att lösa den beräknings flaskhalsen, lät de endast de närliggande processorerna kommunicera snarare än varje dator processor kommunicerar med varandra, vilket gjorde deras algoritm upp till 100 gånger snabbare.

“Vi kan nu simulera glas och amorfa material, gränssnitt mellan olika kristaller, samt kristalldefekter som kan möjliggöra kvantberäkningsbitar.”

– Vikram Gavini, en U-M professor i maskinteknik och materialvetenskap och ingenjörsvetenskap

I en annan forskning, National Institute of Standards and Technology (NIST) fann forskare kvasicristaller i en ny aluminium-zirkoniumlegering³, som bildades under de extrema förhållandena för 3D metallutskrift.

Medan tillsats av zirkonium till aluminiumspulver möjliggör utskrift av högstyrkealuminiumlegeringar, ville NIST-teamet förstå vad som gör detta metall så starkt, så det kan användas i kritiska komponenter som militära flygplansdelar. 

Och de fann att kvasicristaller är ansvariga för detta. Att bryta upp det regelbundna mönstret av aluminiumkristaller stärker legeringen. När man ser från rätt vinkel fann teamet den “mycket sällsynta” femfaldiga rotationssymmetrin, utöver tvåfaldig och trefaldig symmetri, från två olika vinklar.

Detta, enligt NIST-fysikern och medförfattaren, Fan Zhang, “kommer att öppna en ny metod för legeringsdesign. Med forskningen som visar att “kvasicristaller kan göra aluminium starkare. Nu kanske folk försöker skapa dem avsiktligt i framtida legeringar,” tillade han.

Inuti Gyromorph-revolutionen: Isotropa bandgap-material

Kvasicristaller har stor potential. De har till och med förmågan att helt blockera ljus. Men bara från begränsade riktningar. Och medan de kan försvaga ljus från alla riktningar, kan de inte stoppa det helt.

För att övervinna denna begränsning har forskare sökt efter alternativ som kan blockera signalförsvagande ljus mer effektivt. Detta har lett till utvecklingen av gyromorpher, som kan hjälpa till att bygga material som förhindrar stray ljus från att komma in från någon riktning mer effektivt. Enligt studiens seniorförfattare, Stefano Martiniani, som är biträdande professor i fysik, kemi, matematik och neuralvetenskap:

“Gyromorpher är olik alla kända strukturer genom att deras unika sammansättning ger upphov till bättre isotropa bandgap-material än vad som är möjligt med nuvarande metoder.”

Dock är ett stort hinder i konstruktionen av dessa material, vars egenskaper beror på deras arkitektur, den arrangemang som krävs för att uppnå de önskade fysiska egenskaperna.

Publicerat i Physical Review Letters, NYU-forskare beskriver en ny strategi⁴ för att finjustera det optiska beteendet.

Teamet har utvecklat en algoritm som kan producera funktionella strukturer med inbyggd oordning. Den nya formen av “korrelerad oordning” som teamet avslöjade ligger mellan de två ytterligheterna: helt ordnad och helt slumpmässig.

“Tänk på träd i en skog – de växer på slumpmässiga platser, men inte helt slumpmässigt eftersom de vanligtvis har ett visst avstånd från varandra. Detta nya mönster, gyromorpher, kombinerar egenskaper som vi trodde var oförenliga och visar en funktion som överträffar alla ordnade alternativ, inklusive kvasicristaller.”

– Martiniani

Under sin forskning observerade teamet att alla isotropa bandgap-material visade samma strukturella signatur. Så de fokuserade på att göra den “så uttalad som möjligt”, vilket ledde till skapandet av gyromorpher.

Den resulterande nya klassen av material, huvudförfattare Mathias Casiulis, en postdoktoral forskare vid NYU:s fysikavdelning, uttalade, “reconciliera till synes oförenliga funktioner,” eftersom de saknar en kristall-liknande, fast, upprepande struktur, vilket ger dem en vätskeliknande oordning. Samtidigt, när man ser på avstånd, bildar de regelbundna mönster.

“Dessa egenskaper samverkar för att skapa bandgap som ljusvågor inte kan tränga igenom från någon riktning.”

– Casiulis 

Teamet introducerade också “polygyromorphs” med flera rotationssymmetrier på olika längdskalor för att möjliggöra bildandet av flera bandgap i en enda struktur, vilket öppnar dörrarna till fin kontroll över optiska egenskaper.
Swipe för att rulla →

AI och nästa generations kvantmaterial i upptäckt

Allteftersom forskare fortsätter att gräva djupare i nästa generations material, framträder helt nya materialklasser.

Senast rapporterade ett forskarlag lett av Department of Energy’s Berkeley Lab upptäckten⁵ av “berkelocene”, en organometallisk molekyl som innehåller det syntetiska, tunga, radioaktiva kemiska elementet berkelium.

Molekylerna består av en metalljon omgiven av en kolbaserad ram, och medan de är relativt vanliga för tidiga aktinider, är de sällan kända för senare.

“Detta är första gången som bevis för bildandet av en kemisk bindning mellan berkelium och kol har erhållits. Upptäckten ger ny förståelse för hur berkelium och andra aktinider beter sig i förhållande till sina motsvarigheter i periodiska systemet,” sade medförfattare Stefan Minasian, en forskare i Berkeley Labs Chemical Sciences Division, som har arbetat med att förbereda aktinidernas organometalliska föreningar eftersom de tillåter dem att observera aktinidernas distinkta elektroniska strukturer.

Aktinider är en serie av 15 radioaktiva metalliska element i periodiska systemet, placerade i f-blocket. Uran och plutonium är exempel på aktinider. De är kända för sina radioaktiva egenskaper och används i kärnreaktorer och andra teknologier.

Förra året ledde ett partnerskap mellan forskare från Uppsala universitet, Sverige, och Columbia University, USA, till upptäckten av ett 2D‑kvantmaterial kallat CeSiI⁶, med en kristallstruktur av cerium, kisel och jod. Dess kristallstruktur liknar en tvådimensionell arrangemang av distinkta, atomtunna lager. 

Elektronerna i CeSil beter sig som tunga fermioner, med en effektiv massa upp till 100 gånger större än i vanliga material. Denna effektiva massa är anisotropisk; därför beror den på den riktning i vilken elektronerna rör sig i de atomära lagren.

“Med denna upptäckt har vi nu en avsevärt förbättrad materialplattform för att undersöka korrelerade elektronstrukturer. 2D‑material är som ett byggsatts med LEGO‑bitar. Våra partners arbetar redan med att lägga till lager från andra 2D‑material för att skapa ett nytt material med skräddarsydda kvantegenskaper.”

– Chin Shen Ong från Institutionen för fysik och astronomi vid Uppsala

I materialvetenskapen finns otaliga möjligheter, och att välja rätt material är ett nyckelhinder för att göra nya upptäckter. Medan teori‑drivna förutsägelser och experiment‑baserade valideringar hjälper till att informera valet, har det förblivit fragmenterat.

Detta är där AI‑driven material‑informatik tar över, genom att integrera kvant‑skala insikter med stora datamängder för snabbt att screena, modellera och optimera nya material som skulle vara omöjliga att upptäcka genom konventionell trial‑and‑error.

Ett team av forskare vid Tohoku University byggde en AI‑byggd materialkarta⁷ för att förena alla de experimentella data med representativ första‑principers beräkningsdata, med målet att hjälpa forskare att hitta rätt material för en given situation.

Kartan är ett stort graf med axlar för strukturell likhet och termoelementprestanda (zT), där varje datapunkt representerar ett material. Liknande material här visas i nära närhet. Eftersom dessa material vanligtvis syntetiseras och utvärderas med liknande metoder och enheter, låter kartan experimentella forskare snabbt identifiera analogier till okända högpresterande material och återanvända befintliga syntesprotokoll som nästa steg.

På så sätt kan verktyget hjälpa till att minska utvecklingskostnader och påskynda innovation och dess verkliga implementering. I framtiden planerar teamet att utöka deras ramverk bortom termoelement för att inkludera topologiska och magnetiska material och att införliva ytterligare beskrivare för att skapa en omfattande, AI‑assisterad materialdesign‑stödsplattform.

“Genom att erbjuda en intuitiv, fågelperspektiv‑vy över många kandidater hjälper kartan forskare att välja lovande mål på ett ögonblick; därför förväntas den avsevärt förkorta utvecklingstiderna för nya funktionella material.”

– Associate Professor Yusuke Hashimoto

Samtidigt utvecklade en studie från University of Gothenburg en AI‑modell för effektivt bestämma styrka och hållbarhet⁸ för vävda kompositematerial.

Att utföra fysiska tester och detaljerade datorsimuleringar för att designa nya högkvalitativa kompositematerial är “särskilt svårt när kompositen skapas som ett vävt textilfiber‑material, där fibrerna är lindade runt varandra och beter sig olika beroende på de krafter materialet utsätts för,” noterade Ehsan Ghane, doktorand vid Institutionen för fysik vid University of Gothenburg.

Medan datorer redan kan simulera realistiska mikrostrukturer baserade på ett materials interaktioner och påverkan, kräver vävda kompositematerial fortfarande betydande beräkningsresurser. Neurala nätverk erbjuder ett alternativ, men de kräver stora mängder träningsdata och har svårt att extrapolera, så teamet utvecklade en generaliserad AI‑modell som inte kräver så mycket data.

Modellen har tränats på befintliga simuleringar och testdata för kompositens beståndsdelar, vilket möjliggör förutsägelse av den nya kompositens hållbarhet.

Medan Gothenburg‑studien undersökte metoder för att integrera materiallagar i AI‑modellen, har ett team av forskare från KAIST kombinerat fysiska lagar med sin AI‑modell för att möjliggöra snabb utforskning av nya material även när data är brusig eller begränsad.

Egenskapsidentifiering är ett av de nyckel stegen i utvecklingen av nya material, men det kräver massiva mängder experimentella data och dyr utrustning, vilket begränsar forskningseffektiviteten. KAIST‑teamet övervann detta behov genom att integrera lagarna som styr deformation och interaktion av material och energi.

Forskarna rapporterade en fysik‑informad neuronnäts‑teknik (PINN)⁹ för att upptäcka materialegenskaper och deformationsbeteende med endast en liten mängd data från ett enda experiment. De introducerade sedan en AI‑modell, Physics‑Informed Neural Operator (PINO), som förstår fysikens lagar och kan generalisera till osedda material.

MIT‑forskare tog det ännu längre genom att utveckla en metod som införlivar information från flera källor¹⁰: litteratur, kemiska sammansättningar, mikrostrukturbilder och mer. 

Det är en del av den nya Copilot‑plattformen för Real‑world Experimental Scientists (CRESt). Deras metod använder robotutrustning för att möjliggöra hög‑genomströmningstestning av material, och sedan matas resultaten till stora multimodala modeller för att förbättra deras recept.

Forskare använde detta “assistans, inte en ersättning, för mänskliga forskare,” för att utforska över 900 kemier och genomföra 3 500 elektrokemiska tester som ledde till upptäckten av ett katalysatormaterial som levererade rekordhögt effekt­densitet i ett bränslecell för att generera elektricitet.

Investering i materialvetenskapens framsteg

I materialvetenskapens värld är ATI Inc. (ATI ) känt för sina tekniskt avancerade specialmaterial och komplexa komponenter. Företaget producerar högpresterande material för flyg-, försvars-, medicinska, elektronik‑ och energimarknader.

ATIs produkter är tillverkade av nickelbaserade legeringar och superlegeringar, titan och titanbaserade legeringar, samt speciallegeringar. Företaget verkar genom två segment:

• High Performance Materials & Components (HPMC)
• Advanced Alloys & Solutions (AA&S)

Med ett marknadsvärde på 13,5 miljarder USD handlas ATI‑aktier till 99,37 USD, upp 80,5 % i år. Företaget har en EPS (TTM) på 3,10 och ett P/E (TTM) på 32,09. Företaget betalar en utdelningsavkastning på 0,32 %.