TU Delft maakt een van 's werelds meest precieze microchipsensoren, dankzij een
spinnenweb
Een team onderzoekers van de TU Delft is erin geslaagd een van 's werelds meest
precieze microchipsensoren te ontwerpen; het apparaat kan functioneren bij
kamertemperatuur, een 'heilige graal' voor kwantumtechnologieën en detectie.
Door een combinatie van nanotechnologie en machine learning met spinnenwebben
als inspiratie, zijn ze erin geslaagd een nanomechanische sensor te laten
trillen in extreme isolatie van alledaagse ruis. Deze doorbraak, die is
gepubliceerd in de Rising Stars Issue van Advanced Materials, heeft grote
implicaties voor de studie van zwaartekracht en donkere materie, alsook op het
gebied van kwantuminternet, navigatie en detectie.
Een van de grootste uitdagingen bij het bestuderen van vibrerende objecten op
de kleinste schaal, zoals die welke worden gebruikt in sensoren of kwantum
hardware, is hoe te voorkomen dat omgevingsgeluiden interfereren met hun
fragiele toestand. Kwantum hardware wordt bijvoorbeeld gewoonlijk bewaard bij
temperaturen die het absolute nulpunt (-273,15°C) benaderen, waarbij koelkasten
een half miljoen euro per stuk kosten. Onderzoekers van de TU Delft creëerden
een webvormige microchipsensor die extreem goed resoneert, geïsoleerd van
kamertemperatuurruis. Naast andere toepassingen zal hun ontdekking het bouwen
van kwantumapparaten veel betaalbaarder maken.
[cid:image003.png@01D7E149.6A04CA40]
Meeliften op de evolutie
Richard Norte en Miguel Bessa, die het onderzoek leidden, waren op zoek naar
nieuwe manieren om nanotechnologie en machine learning te combineren. Hoe
kwamen ze op het idee om spinnenwebben als model te gebruiken? Richard Norte:
"Ik deed dit werk al een decennium toen ik tijdens een lockdown een heleboel
spinnenwebben opmerkte op mijn terras. Ik realiseerde me dat spinnenwebben echt
goede trillingsdetectoren zijn, in die zin dat ze trillingen binnen het web
willen meten om hun prooi te vinden, maar niet daarbuiten, zoals de wind door
een boom. Dus waarom niet meeliften op miljoenen jaren evolutie en een
spinnenweb gebruiken als een eerste model voor een ultragevoelig apparaat?"
Omdat het team niets wist over de complexiteit van spinnenwebben, lieten ze het
ontdekkingsproces leiden door machine learning. Miguel Bessa: "We wisten dat de
experimenten en simulaties kostbaar en tijdrovend waren, dus besloten we met
mijn groep een algoritme te gebruiken dat Bayesiaanse optimalisatie heet, om
met maar weinig pogingen een goed ontwerp te vinden." Dongil Shin, mede-eerste
auteur in dit werk, implementeerde vervolgens het computermodel en paste het
machine-learning algoritme toe om het nieuwe ontwerp te vinden voor het
apparaat.
Microchipsensor gebaseerd op spinnenwebben
Tot verrassing van de onderzoeker stelde het algoritme uit 150 verschillende
spinnenwebontwerpen een relatief eenvoudig spinnenweb voor, dat bestaat uit
slechts zes slierten die op een bedrieglijk eenvoudige manier aan elkaar vast
zitten. Bessa: "Uit Dongils computersimulaties bleek dat dit apparaat zou
kunnen werken bij kamertemperatuur, waarbij atomen veel trillen, maar er toch
ongelooflijk weinig energie de omgeving in weglekt - een hogere
kwaliteitsfactor dus. Met machine learning en optimalisatie slaagden we erin
Richard's spinnenwebconcept aan te passen richting deze veel betere
kwaliteitsfactor."
Op basis van dit nieuwe ontwerp bouwde Andrea Cupertino, mede-eerste auteur,
een microchipsensor met een ultradunne, nanometer-dikke film van keramisch
materiaal genaamd Silicium Nitride. Zij testten het model door het 'web' van de
microchip krachtig te laten trillen en de tijd te meten die nodig is om de
trillingen te stoppen. Het resultaat was spectaculair: een recordbrekende
geïsoleerde trilling bij kamertemperatuur. Norte: "We vonden bijna geen
energieverlies buiten ons microchip-web: de trillingen bewegen in een cirkel
aan de binnenkant en raken de buitenkant niet. Dit is een beetje alsof je
iemand één zetje geeft op een schommel, en hem bijna een eeuw lang laat door
schommelen zonder te stoppen."
Implicaties voor fundamentele en toegepaste wetenschappen
Met hun op een spinnenweb gebaseerde sensor laten de onderzoekers zien hoe deze
interdisciplinaire strategie een weg opent naar nieuwe doorbraken in de
wetenschap, waarbij ze bio-geïnspireerde ontwerpen, machine learning en
nanotechnologie combineren. Dit nieuwe paradigma heeft interessante implicaties
voor quantum-internet, detectie, microchiptechnologieën en fundamentele
natuurkunde: het onderzoeken van ultrakleine krachten bijvoorbeeld, zoals
zwaartekracht of donkere materie die notoir moeilijk te meten zijn. Volgens de
onderzoekers zou de ontdekking niet mogelijk zijn geweest zonder de
Cohesiebeurs van de universiteit, die leidde tot deze samenwerking tussen
nanotechnologie en machine learning.
Publicatiegegevens
Contactinformatie: Dr. Richard Norte: e-mail
r.a.norte@xxxxxxxxxx<mailto:r.a.norte@xxxxxxxxxx>
telefoon +31 6-444 88 945
Violet van Houwelingen e-mail v.vanhouwelingen@xxxxxxxxxx
Persvoorlichter TU Delft
telefoon +31 6 42481082
Verwijzing naar het artikel: Shin, Cupertino, de Jong, Steeneken, Bessa &
Norte, Spiderweb Nanomechanical Resonators via Bayesian Optimization: Inspired
by Nature and Guided by Machine Learning (2021) Advanced Materials
Advanced Materials, online, 24 November 2021:
https://onlinelibrary.wiley.com/doi/10.1002/adma.202106248
[cid:image005.png@01D7E149.6A04CA40] [cid:image007.jpg@01D7E149.6A04CA40]
U ontvangt dit bericht via de PWC-medialijst. U kunt zich afmelden via
http://platformwetenschapscommunicatie.nl/
Dit bericht is afkomstig van de TU Delft, Communication, Postbus 5, 2600 AA
Delft, www.tudelft.nl<http://www.tudelft.nl/>.
Pauline Bijster
Persvoorlichter Digital Society
TU Delft / Communication
E h.p.bijster@xxxxxxxxxx<mailto:%20h.p.bijster@xxxxxxxxxx%0d>
T +31 6 4 842 1 089
Werkzaam op maandag, woensdag en donderdag