具有特定原子结构的材料的可控合成支撑了技术进步,但仍然依赖于迭代,试错方法。 纳米粒子(NPs)的原子排列决定了它们的紧急特性,由于许多可调参数,合成特别具有挑战性。 在这里,我们引入了一种明确针对原子尺度结构合成的自主方法。 我们的方法通过将实时实验总散射(TS)和配对分布函数(PDF)数据与模拟目标模式相匹配,自主设计合成协议,而无需事先合成知识。 我们在同步加速器上展示了这种能力,成功地合成了两种结构上不同的黄金NP:5纳米十面体和10纳米面为中心的立方结构。 最终,指定模拟目标散射模式,从而代表定制的原子结构,按需获得合成材料及其可重复合成协议可能会彻底改变材料设计。 因此,ScatterLab为跨不同系统和应用的自主原子结构靶向合成提供了可推广的蓝图。
门定义半导体量子点阵列是构建可扩展量子处理器的主要候选者之一。 高保真初始化、控制和读取自旋量子比特寄存器需要精确和有针对性的控制定义静电环境的关键哈密尔顿参数。 然而,由于门间距紧,闸门之间的电容串扰阻碍了化学电位和电位耦合的独立调整。 虽然虚拟门提供了一个实用的解决方案,但在大型量子点寄存器中准确有效地确定所有所需的交叉电容矩阵是一个开放的挑战。 在这里,我们建立了一个模块化自动化虚拟化系统(MAViS)——一个通用和模块化的框架,用于实时自主构建完整的多层虚拟门堆栈。 我们的方法采用机器学习技术,从二维电荷稳定性图中快速提取特征。 然后,我们利用计算机视觉和回归模型,在低隧道和高隧道耦合机制中自主确定虚拟化柱塞和屏障闸门所需的所有相对电容耦合。 使用MAViS,我们成功地演示了密集的二维阵列的精确虚拟化,其中包括在高质量Ge/SiGe异质结构中定义的十个量子点。 我们的工作为大规模半导体量子点系统的高效控制提供了优雅而实用的解决方案。
被称为人工自旋冰(ASI)的磁性超材料是神经形态计算有希望的候选者,由平面中排列的大量相互作用的纳米磁铁组成。 每个计算设备都需要转换、传输和存储信息的能力。 虽然ASI在数据转换方面表现出色,但可靠的传输和存储已被证明难以实现。 在这里,我们从蜂窝自动机(CA)中获得灵感,这是一个抽象的计算模型,让人想起ASI。 在CA中,信息传输和存储可以通过“滑翔机”来实现,这是一种能够在保持其形式的同时传播的简单结构。 使用进化算法,我们用针轮ASI搜索滑翔机,并提出发现的最简单的滑翔机:“蛇”。 在全球场协议的推动下,蛇严格地向一个方向移动,由它的方向决定。 我们在模拟和实验上演示蛇,并分析其运动背后的机制。 蛇提供了一种在ASI中操纵磁性纹理的方法,分辨率为100nm,反过来可以用来精确控制其他磁现象。 将数据传输、存储和修改集成到相同的磁性基板中,为超低功率计算设备释放潜力。
No more items to load.