Datenspeicherung mit einzelnen Molekülen

Medienmitteilung der Universität Basel vom 17.12.2018

Forschende der Universität Basel berichten von einer neuen Methode, bei der sich der Aggregatzustand weniger Atome oder Moleküle innerhalb eines Netzwerks gezielt steuern lässt. Sie basiert auf der spontanen Selbstorganisation von Molekülen zu ausgedehnten Netzwerken mit Poren von etwa einem Nanometer Grösse. Im Wissenschaftsmagazin «small» berichten die Physikerinnen und Physiker von den Untersuchungen, die für die Entwicklung neuer Speichermedien von besonderer Bedeutung sein können.

Weltweit laufen Bestrebungen, Datenspeicher immer weiter zu verkleinern, um so auf kleinstem Raum eine möglichst hohe Speicherkapazität zu erreichen. Bei fast allen Medien wird zur Speicherung ein Phasenübergang genutzt. So etwa wird für die Herstellung von CDs eine sehr dünne Metallschicht in Kunststoffen verwendet, die innerhalb von Mikrosekunden aufschmilzt, um dann wieder zu erstarren. Dies auf der Ebene von Atomen oder Molekülen zu ermöglichen, ist Gegenstand eines Forschungsprojekts unter Leitung der Universität Basel.

Phasenwechsel einzelner Atome zur Datenspeicherung

Ein Phasenwechsel auf Ebene einzelner Atome oder Moleküle kann prinzipiell zur Speicherung von Daten genutzt werden und in der Forschung gibt es derartige Speicher bereits. Sie sind allerdings aufwendig und teuer herzustellen. Die Gruppe um Professor Thomas Jung von der Universität Basel hat das Ziel, solch winzige Speichereinheiten aus wenigen Atomen durch Selbstorganisation herzustellen und damit den Herstellungsprozess enorm zu vereinfachen.

Die Gruppe hat dazu zunächst ein sogenanntes metallorganisches Netzwerk hergestellt, das wie ein Sieb mit präzise definierten Poren aussieht. Wenn die richtigen Verbindungen und Bedingungen gewählt werden, ordnen sich die Moleküle dabei selbstständig zu einer regelmässigen supramolekularen Struktur an.

Xenon-Atome: mal fest, mal flüssig

Die Physikerin Aisha Ahsan, Erstautorin der aktuellen Studie, hat nun einzelne Xenon-Gasatome in die etwas über einen Nanometer grossen Poren des Netzwerks eingebracht. Durch Temperaturveränderungen und durch lokal angelegte elektrische Pulse gelang es ihr, den Aggregatzustand der Xenon-Atome zwischen fest und flüssig gezielt hin und her zu schalten. Sie konnte diesen Phasenübergang durch Temperaturänderung in allen Poren gleichzeitig bewirken. Die Temperaturen für den Phasenübergang hängen von der Stabilität der Xenon-Cluster ab, die je nach Anzahl der Xenon-Atome unterschiedlich ist. Mit dem Mikroskopsensor lässt sich der Phasenübergang auch lokal in einer einzelnen Pore auslösen.

Da diese Experimente bei sehr tiefen Temperaturen von wenigen Kelvin durchgeführt werden müssen (unter -260° C), wird sich mit Xenon-Atomen selbst kein neuer Datenspeicher realisieren lassen. Die Versuche haben aber belegt, dass sich supramolekulare Netzwerke prinzipiell eignen, um winzige Strukturen herzustellen, in denen mit wenigen Atomen oder Molekülen gezielt Phasenübergänge induziert werden können.

«Wir werden nun grössere Moleküle wie kurze Alkohole testen, da diese Aggregatszustandsänderungen bei höheren Temperaturen durchlaufen und daher eine Anwendung gut denkbar ist», bemerkt Professor Thomas Jung, der die Arbeiten betreut hat.

Die Studie ist in Zusammenarbeit des Swiss Nanoscience Instituts (SNI), des Departements Physik der Universität Basel und des Paul Scherrer Instituts (PSI) mit den Universitäten Heidelberg und Linköping entstanden.

Originalbeitrag:
Aisha Ahsan, S. Fatemeh Mousavi, Thomas Nijs, Sylwia Nowakowska, Olha Popova, Aneliia Wäckerlin, Jonas Björk, Lutz H. Gade, Thomas A. Jung:
Phase transitions in confinements: Controlling solid to Fluid transitions of xenon atoms in an on-surface network
Small (2018), doi: 10.1002/smll.201803169

Externer Link: www.unibas.ch

„Finde den Stuhl“: Wie Maschinen Kunstgeschichte lernen

Pressemeldung der Universität Passau vom 08.12.2018

Menschen wissen intuitiv, was ein Stuhl ist. Sie haben von klein auf viele Beispiele gesehen und anhand dieser Beispiele gelernt, was einen Stuhl ausmacht: Beine, Sitzfläche, Lehne. Diese Merkmale haben sie so verinnerlicht, dass sie einen Stuhl nicht mehr in seine einzelnen Bestandteile zerlegen müssen, um zu wissen: „Das ist ein Stuhl“. Menschen besitzen die Fähigkeit zum Deep Learning – ein Begriff, der häufig in Zusammenhang mit künstlicher Intelligenz fällt. Im Projekt Neoclassica bringt ein Team aus Informatikern, einer Informatikerin und einem Historiker Maschinen bei, klassizistische Möbel auf Abbildungen zu erkennen. Sie nutzen dafür neuronale Netze, die Google bereits vortrainiert hat.

Simon Donig ist Historiker und interessiert sich für klassizistische Möbel. Donig hat sich über mehrere Jahre hinweg Expertenwissen angeeignet. Er weiß noch ein bisschen mehr als ein durchschnittlicher Mensch über bestimmte Stühle, kann deren Merkmale und Eigenheiten bestimmten Epochen zuordnen. Zum Beispiel weiß er, dass ein klassizistischer Stuhl in seiner Formsprache auf die Antike zurückgreift. Diese ist schlichter, geradliniger und geometrischer als jene eines barocken Stuhls und weist weniger florale Verzierungen auf. Hier gibt er dieses Wissen an eine Maschine weiter.

Damit die Maschine den Historiker versteht, braucht es die Vermittlung aus der Informatik. Das Team am Passauer Lehrstuhl für Informatik mit Schwerpunkt Digital Libraries and Web Information Systems hat unter der Leitung von Siegfried Handschuh im Projekt Neoclassica den Editor aufgebaut, mit dessen Hilfe der Historiker Donig der Maschine die klassizistische Formsprache beibringen kann. Die Informatikerin Maria Christoforaki hat das Wissen des Historikers modelliert und in eine Form gebracht, die Maschinen verstehen können. Gemeinsam haben sie eine Ontologie aufgebaut, eine Art Wörterbuch für einen Computer.

Die Passauer Ontologie basiert auf dem CIDOC Conceptual Reference Model, das viele Museen weltweit zur Dokumentation des kulturellen Erbes nutzen. Es handelt sich dabei um eine Norm (ISO 21127:2014) für den kontrollierten Austausch von Informationen im Bereich des kulturellen Erbes. Dies soll sicherstellen, dass auch andere Forschende die mit der Neoclassica Ontologie annotierten Daten nutzen können.

Historische Definitionen „füttern“ künstliche Intelligenz

„In dieser Ontologie findet sich die Handschrift von Simon Donig. Und dessen Rechercheleistung“, sagt Prof. Dr. Handschuh, assoziierter Professor an der Universität Passau und Ordinarius für Data Science an der Universität St. Gallen. Donig hat Primärquellen recherchiert, darunter etwa das „Cabinet Dictionary“ aus dem Jahr 1803, in dem der englische Möbelhersteller Thomas Sheraton inspirierende Abbildungen von Stühlen zusammengetragen hat. Darin wiederum taucht der Begriff fauteuil – Armlehnstuhl – auf und wird wie folgt definiert: „Fauteuil, from the French, signifies a large chair.“ Diese Definition findet sich nun auch in der Passauer Ontologie und infolgedessen im CIDOC. Die Ontologie modelliert also das Fachwissen und macht dieses dem Computer zugänglich. Sie ist allerdings nur ein Teil der künstlichen Intelligenz, die das Passauer Team nutzt. Die zweite Komponente ist ein intelligentes, lernfähiges System, ein künstliches neuronales Netz. Dieses identifiziert und klassifiziert die eingespeisten Abbildungen.

Deep Learning funktioniert bei der Maschine ähnlich wie beim menschlichen Gehirn: das künstliche neuronale Netz identifiziert in den verschiedenen Schichten bestimmte Merkmale und gibt diese an die jeweils tiefer liegende Schicht weiter. Es kann die Merkmale auf das Wesentliche reduzieren und generalisieren. Anhand dieses Wissens kann es die Wahrscheinlichkeit berechnen, ob es sich bei einer bislang nicht bekannten Abbildung ebenfalls um einen Stuhl handelt.

Nun ist es zwar so, dass das Team um Neoclassica viele Abbildungen klassizistischer Möbelstücke zusammengetragen hat – insgesamt 1246 Dateien aus namhaften Museen wie dem New Yorker Museum of Modern Art, dem Amsterdamer Rijksmuseum oder der Eremitage in Sankt Petersburg. Allerdings sind das zu wenig, um das Netz erfolgreich trainieren zu können. Für ein Trainingsbeispiel haben sie bisweilen nur fünf bis 20 Abbildungen zur Verfügung. Üblich sind 100 bis 1000.

Um die Treffsicherheit zu verbessern, bedient sich das Forschungsteam in Neoclassica daher eines Tricks: Es setzt auf die Vorarbeit von Google, das das neuronale Netz bereits auf Alltagswissen trainiert hat. Die künstliche Intelligenz kennt also bereits das Konzept Stuhl und erkennt Stühle auf Abbildungen. Klassizistische Objekte hingegen kennt das vortrainierte Google-Netzwerk noch nicht, stattdessen ordnet es die Formen Gegenständen aus unserem heutigen Alltag zu. Einem Laptop, zum Beispiel. Oder einer Mikrowelle. Trainiert mit dem Wissen des Historikers Donig aber schafft es das Netz, klassizistische Möbelstücke selbst auf bislang nicht bekannten Abbildungen mit hoher Zuverlässigkeit zu erkennen. Für den Internet-Giganten Google, der sich auf die Digitalisierung unseres Alltags spezialisiert hat, ist solches Wissen uninteressant. Den Historiker hingegen bringen die neuen Instrumente ins Schwärmen: Sie könnten Expertinnen und Experten aus dem Bereich der Kunstgeschichte ganz neue Chancen eröffnen.

Das Projekt wird vom Bundesministerium für Bildung und Forschung im Rahmen des Passauer Centre for eHumanities (PACE) gefördert. (Katrina Jordan)

Externer Link: www.uni-passau.de

Neuartige Farbsensoren kostengünstig herstellen

Presseinformation (Forschung Kompakt) der Fraunhofer-Gesellschaft vom 03.12.2018

Im Projekt FOWINA ist es dem Fraunhofer-Institut für Integrierte Schaltungen IIS in Erlangen und dem Fraunhofer-Institut für Silicatforschung ISC in Würzburg gelungen, neuartige Farbsensoren mit speziellen Linsenanordnungen zu entwickeln. Die Sensoren lassen sich direkt auf Chipebene realisieren und vereinen viele Funktionen auf kleinstem Raum. Durch ihre sehr geringe Bauhöhe bieten sie ein breites Einsatzspektrum und können beispielweise in mobilen Geräten sowie zur Farbregelung von LED-Leuchten eingesetzt werden.

Damit Displays, LEDs und vergleichbare Technologien Farben richtig anzeigen, werden Farbsensoren eingesetzt. Dafür können spezielle, nanoplasmonische Strukturen genutzt werden. Sie filtern das einfallende Licht so, dass nur sehr definierte Teile des Farbspektrums auf die Detektorfläche gelangen. Entscheidend für eine funktionierende Farbfilterung ist hierbei der Einfallswinkel des Lichts. Um unerwünschte Winkel und damit Farbfehler zu vermeiden, werden in herkömmlichen Sensoren makroskopische Elemente zur Verbesserung der Filtergenauigkeit eingesetzt, die jedoch den gesamten Aufbau deutlich vergrößern.

Ultraflache Sensoren für Kameras und Handys

Deswegen arbeiten die beiden Fraunhofer-Institute IIS und ISC im Projekt FOWINA an einer All-in-one-Lösung, die viele Funktionen auf kleinstem Raum vereint: Auf dem Farbsensorchip werden Farbfilterstrukturen, Winkelfilter zur Steuerung des Lichteinfalls, Auswertelektronik zur Signalverarbeitung und Photodioden zur Umwandlung des Lichts in Strom integriert. Durch ihren sehr kompakten Aufbau sind die neuartigen Farbsensoren ultraflach, sodass sie in vielen Produkten wie Kameras oder Handys eingesetzt werden können. Das Projekt »FOWINA – Formung des Winkelspektrums von Nanostruktur-Farbsensoren mit mikrooptischen Strahlführungselementen« wird im Programm »Mittelstandorientierte Eigenforschung« der Fraunhofer-Gesellschaft e.V. gefördert.

Neben dem hohen Integrationsgrad, der möglichst viele Funktionen auf einer kleinen Fläche vereint, ist auch die Herstellung vereinfacht worden und damit kostengünstiger als bisherige Verfahren. Das Fraunhofer IIS entwickelt den Sensor-Chip einschließlich der nanoplasmonischen Farbfilter. Diese können kostengünstig im CMOS (Complementary Metal Oxide Semiconductor)-Prozess zusammen mit Photodioden und der Auswerteelektronik mit nur einer einzigen Technologie hergestellt werden.

Das Fraunhofer ISC fertigt Arrays von Mikrostrukturen, die als Winkelfilterelemente für die Sensoren wirken. »Wir nutzen die moderne Zwei-Photonen-Polymerisation, mit der sich beliebig geformte Mikrostrukturen und strukturierte Oberflächen herstellen lassen«, erläutert Dr. Sönke Steenhusen, Wissenschaftler am Fraunhofer ISC. Um den Fertigungsprozess zu beschleunigen, wendet das Fraunhofer ISC die Nanoimprint-Technik – ein hochpräzises und produktionsbewährtes Abformverfahren – zur Replikation der Strukturen an. Diese Technik erlaubt auch die Kombination verschiedener Strukturen in nur einem Substrat.

Einfallswinkel des Lichts eingrenzen

Dem Fraunhofer ISC ist es im Projekt FOWINA gelungen, mithilfe von mikrooptischen Strukturen den Einfallswinkel des Lichts auf einen Bereich von +/-10 Grad einzugrenzen, sodass eine bestmögliche Farbfilterung erfolgt. Damit lässt sich zum Beispiel die Farbe von LEDs aktiv nachregeln. Zudem bieten die Mikrolinsen eine sehr hohe Oberflächengenauigkeit, sodass das Licht gezielt auf die Farbfilter trifft. Als Material für die Arrays nutzt das Fraunhofer ISC ein spezielles anorganisch-organisches Hybridpolymer, das sich durch sehr hohe chemische, thermische und mechanische Stabilität auszeichnet und sich durch Modifikation der molekularen Struktur einfach an spezifische Anforderungen anpassen lässt.

Die beiden Fraunhofer-Partner optimieren aktuell die Entwicklung und die Herstellung der Farbsensoren, um eine Skalierung der Herstellung auf einen industriellen Maßstab bzw. eine spätere Massenfertigung zu ermöglichen.

Externer Link: www.fraunhofer.de

technologiewerte.de – MOOCblick Dezember 2018

Spannende Themen, herausragende Dozenten und flexible Lernmöglichkeiten tragen zum wachsenden Erfolg der Massively Open Online Courses (MOOCs) bei – offene, internetgestützte Kurse mit einer Vielzahl an Teilnehmern rund um den Globus.

Folgender Kurs – zu finden auf der MOOC-Plattform edX – sollte einen Blick wert sein:

Cyber-Physical Networks
James Gross (KTH Royal Institute of Technology) et al.
Start: 12.12.2018 / Arbeitsaufwand: 15-30 Stunden

Externer Link: www.edx.org