BANDO PRIN 2022D. D. N. 104 DEL 2 FEBBRAIO 2022
TITOLO DEL PROGETTO: Metrology for spintronics: A machine learning approach for the reliable determination of the Dzyaloshinskii-Moriya interaction (MetroSpin)
CODICE CUP: D53D23002360006
Budget: € 77.095
Responsabile U.R.: Vito Puliafito
Altre Unità di Ricerca o eventuali Sub Unità:
Istituto Nazionale di Ricerca Metrologica di Torino (U.R. del PI) e Università di Perugia
Breve descrizione del progetto
Nonostante la forte crescita scientifica e industriale della spintronica, come alternativa a basso consumo energetico della tecnologia CMOS e compatibile con essa, la diffusione commerciale delle tecnologie spintroniche è limitata dall’assenza di standard metrologici affidabili per la misura dei parametri chiave dei dispositivi.
Il progetto ha proposto uno studio applicato all’interazione di Dzyaloshinskii-Moriya (DMI), parametro fondamentale per la stabilità delle strutture di spin chirali utilizzate in memorie e dispositivi logici a basso consumo. Dopo precedenti studi europei che hanno definito buone pratiche sperimentali, mancava ancora un approccio statistico capace di spiegare le discrepanze residue nelle misure.
L’obiettivo era quindi analizzare riproducibilità e ripetibilità delle misure, correlando la dispersione dei dati a difetti e inomogeneità dei campioni, e sviluppare metodi di machine learning per estrarre il DMI da pattern magnetici simulati e sperimentali. L’intelligenza artificiale viene valutata come possibile strumento metrologico per migliorare l’affidabilità delle misure, con potenziali ricadute non solo nella spintronica ma in tutti i settori delle nanotecnologie che affrontano problematiche analoghe.
Finalità
Il progetto ha avuto l’obiettivo di migliorare l’affidabilità delle misure in spintronica attraverso un approccio statistico basato sul machine learning, con particolare attenzione alla misura dell’interazione di Dzyaloshinskii-Moriya (DMI), parametro chiave per dispositivi spintronici innovativi. Le attività hanno riguardato la riduzione dell’incertezza e delle discrepanze tra diverse tecniche di misura, l’analisi dell’origine fisica della dispersione dei dati e lo sviluppo di procedure automatizzate di analisi basate su intelligenza artificiale. Il progetto ha inoltre valutato la possibile estensione di tali approcci ad altri ambiti della spintronica e delle nanotecnologie.
Risultati attesi
I risultati attesi del progetto comprendevano una migliore comprensione delle cause fisiche e statistiche alla base della dispersione delle misure del DMI, l’identificazione di strategie per ridurre l’incertezza sperimentale e migliorare la riproducibilità delle tecniche di misura, nonché lo sviluppo di strumenti di analisi automatizzata basati su machine learning. Il progetto mirava inoltre a dimostrare il potenziale dell’intelligenza artificiale come supporto metrologico per la spintronica e, più in generale, per applicazioni nelle nanotecnologie caratterizzate da problematiche analoghe di affidabilità delle misure.
Risultati raggiunti
Il progetto ha raggiunto con successo tre obiettivi principali.
Determinazione accurata dell’interazione di Dzyaloshinskii-Moriya interfacciale (iDMI). Sono state sviluppate linee guida per le due principali tecniche di misura dell’iDMI: la spettroscopia Brillouin della luce (BLS) e l’espansione asimmetrica di bolle magnetiche misurata tramite effetto Kerr magneto-ottico (MOKE). Le linee guida definiscono gli aspetti tecnici fondamentali per ottenere misure accurate, includono studi di riproducibilità, analizzano la dipendenza da parametri intrinseci ed estrinseci e confrontano diversi modelli di valutazione dell’iDMI. Questo fornisce uno strumento affidabile per valutare qualità, prestazioni e consumo energetico dei dispositivi spintronici.
Risoluzione delle discrepanze tra le tecniche di misura. Seguendo le linee guida sviluppate, è stato possibile ridurre significativamente l’incertezza di misura per entrambi i metodi. Le forti discrepanze nei valori di iDMI riportate in letteratura sono state attribuite con successo alla presenza dello smorzamento chirale (chiral damping), che influenza la tecnica di espansione delle bolle in modo diverso rispetto alla BLS. Grazie a un modello sviluppato nel progetto, è stato possibile ottenere valori coerenti di iDMI entro i limiti di incertezza sperimentale per entrambe le tecniche. Questo risultato migliora in modo significativo la comprensione della fisica del moto delle pareti di dominio in presenza di iDMI.
Fattibilità di approcci statistici e integrazione dell’intelligenza artificiale. È stato dimostrato il potenziale dell’utilizzo del machine learning per analisi rapide e ad alta produttività dell’iDMI, includendo aspetti statistici, attraverso uno studio su dati sintetici che simulano la tecnica di espansione delle bolle. Il modello si è dimostrato robusto anche in presenza di difetti simulati e immagini sfocate. Una volta disponibili database adeguati, questo lavoro potrà portare allo sviluppo di uno strumento basato su IA, rapido e accessibile, per la classificazione dei dispositivi spintronici.