非パラメトリック機械学習による単一分子接合の時間発展型コンダクタンス挙動の解析

Dissecting Time-Evolved Conductance Behavior of Single Molecule Junctions by Non-Parametric Machine Learning.

• Bo Liu
• Sanae Murayama
• Yuki Komoto
• Makusu Tsutsui
• Masateru Taniguchi

抄録

単一分子の電荷輸送の理解を深めることは、ナノサイズ限界の回路部品としての可能性を活用するために不可欠である。しかし、破断接合実験で得られたトンネル電流の変化を信頼性の高い方法で解析することは、分子の特徴である構造-物性の関係を明らかにするための継続的な課題となっている。本研究では、コンダクタンストレースに含まれる分子の特徴を調べるための教師なし学習アプローチについて報告する。我々のハイブリッド機械学習アルゴリズムは、コンダクタンス-時間領域のデータのグリッドを比較し、研究者が作成したパラメータを使用せずに類似性を判定して、バックグラウンド変動によって不明瞭になる可能性のある微細な分子成分を識別する。我々は、機械的に制御可能な微細加工されたブレークジャンクションで取得されたAu-アルカンジチオール-Auコンダクタンストレースを分類するためのその能力を実証しています。この方法は、電極ギャップ内の炭素鎖の有無を判定するだけでなく、異なる構造を持つ分子トンネル接合の複数のコンダクタンス状態を識別することができた。この発見は、ブレークジャンクション法を用いた単一分子の物性研究に有用なツールを提供する可能性がある。

Improved understanding of charge transport in single molecules is essential for utilizing their potential as circuit components at the nano-size limit. However, reliable analyses of varying tunneling current acquired by break junction experiments remain an ongoing challenge to find molecular features structure-property relationships. In this work, we report on an unsupervised learning approach for investigating molecular signatures in conductance traces. Our hybrid machine learning algorithm compares grids of data in conductance - time domains and judge the similarity without any researcher-crafted parameters to identify fine molecular components that may otherwise be obscured by background fluctuations. We demonstrate its ability for classifying Au-alkanedithiol-Au conductance traces acquired with microfabricated mechanically-controllable break junctions. The unbiased procedure was able to not only judge the presence or absence of the carbon chains in the electrode gap but also to identify multiple conductance states of the molecular tunneling junctions with different conformations. This finding may offer a useful tool for studying single-molecule properties using break junction methods.