Im Labor liest KI verborgene Magnetmuster in ultradünnen Magneten

Über einem Magneten, der nur wenige Atomlagen dick ist, zeichnet ein Diamantsensor eine Karte des Magnetfelds auf – der Magnet selbst bleibt dabei unsichtbar. Genau dieses Problem wollte ein Team der Universität Wien lösen. Moderne Mikroskope messen das Feld außerhalb des Materials, nicht das Muster im Inneren, und viele verschiedene innere Muster können dasselbe äußere Feld erzeugen. Von außen auf das Innere zu schließen, ist seit Langem eine Herausforderung. In einer Studie, die in Physical Review Letters veröffentlicht wurde, beschreibt die Wiener Gruppe zusammen mit Kollegen aus Dresden, Singapur und Ulsan eine Methode, die die verborgene Struktur rekonstruiert und zugleich den Abstand zum Sensor bestimmt.

Der Trick besteht darin, nicht zu raten. Das Team unter Leitung von Claas Abert verbindet maschinelles Lernen mit den Gesetzen des Magnetismus. Der Algorithmus bewertet mögliche Magnetmuster und behält jenes, das die physikalische Energie des Materials minimiert und dabei zum gemessenen Feld passt. „Wir lassen die physikalische Energie des Magneten entscheiden, welche Lösung realistisch ist“, sagt Abert. Muster, die grundlegende physikalische Gesetze verletzen, werden automatisch ausgeschlossen. Dieselbe Logik gilt für die Sensorhöhe. Magnetfelder schwächen sich mit dem Abstand rasch ab, sodass ein kleiner Fehler bei dieser Höhe das rekonstruierte Muster verzerrt. Die Software löst deshalb Muster und Höhe gleichzeitig und ermittelt einen Abstand von 81 Nanometern.

Die Methode wurde an Messungen getestet, die am Max-Planck-Institut für Chemische Physik fester Stoffe in Dresden entstanden. Die Proben aus einem ultradünnen Magneten namens Fe₃₋ₓGaTe₂ wurden an der National University of Singapore hergestellt. Der Sensor war ein Diamantbauelement, das auf einem atomaren Defekt beruht, dem sogenannten Stickstoff-Fehlstellenzentrum; er befand sich einige zehn Nanometer über der magnetischen Schicht. „In Experimenten ist die genaue Sensorhöhe meist unbekannt“, sagt Uri Vool, Gruppenleiter in Dresden. „Den Abstand direkt aus der magnetischen Messung zu bestimmen, beseitigt eine wesentliche Fehlerquelle.“

Für Materialforscher ist der unmittelbare Gewinn eine verlässlichere Karte, die ohne vorherige Kenntnis der Sensorhöhe entsteht. Der Ansatz stützt sich auf die Energie des magnetischen Zustands statt auf den Diamantsensor selbst; daher, so das Team, lasse sich dasselbe Prinzip auf andere bildgebende Verfahren für Magnetismus übertragen. Für die Energieberechnung wird NeuralMag verwendet, ein quelloffenes Paket für die Mikromagnetik, das in Wien entwickelt wurde; auch der Rekonstruktionscode ist frei verfügbar. Setescak hofft, dass andere Labore das Verfahren auf ihre eigenen Messungen anwenden. Das Team bereitet bereits den nächsten Schritt vor: die Erweiterung des Ansatzes auf die 3D-Röntgenbildgebung komplexer magnetischer Nanostrukturen. Für eine industrielle Nutzung nennt die Studie keinen Zeitplan.

Die Grenzen sind klar. Die Ergebnisse stammen aus Labormessungen an einer Art ultradünnem Magneten und einer Sensorart. Die Studie zeigt kein funktionierendes Bauteil, und die genannten Ziele – schnellere Computer und Datenspeicher – bleiben Zielsetzungen. Was die Arbeit verändert, ist die Verlässlichkeit der Karte, mit der Wissenschaftler solche Materialien entwerfen; ihr Wert wird davon abhängen, ob andere Gruppen die Methode mit eigenen Messungen reproduzieren.