Esto permite una nueva dirección de desarrollo de chips y células solares de próxima generación al explotar una deformación controlable que puede cambiar las propiedades de un material sobre la marcha.
Los materiales a nanoescala pueden soportar una deformación importante. En lo que se llama estado de tensión, pueden exhibir propiedades ópticas, térmicas, electrónicas y otras notables debido a un cambio en las distancias interatómicas.
Las propiedades intrínsecas de un material tensado pueden cambiar, por ejemplo, con el silicio semiconductor transformándose en un material que conduce la corriente eléctrica libremente.
Además, al variar el nivel de deformación, se pueden cambiar estas propiedades a demanda. Esa noción ha dado lugar a todo un campo de investigación: la ingeniería de deformaciones elásticas o ESE.
El enfoque se puede utilizar, por ejemplo, para modificar el rendimiento de los semiconductores, proporcionando una posible solución para el límite inminente de la ley de Moore, cuando agotemos nuestras otras opciones para aumentar el rendimiento del chip.
Otra posible aplicación se encuentra dentro del campo del desarrollo de células solares. Como explica el coautor del estudio, Alexander Shapeev, de Skoltech, se puede diseñar una celda solar con propiedades ajustables que se pueden cambiar a pedido para maximizar el rendimiento y adaptarse a las circunstancias externas.
En su trabajo anterior, el doctorado de Skoltech Evgenii Tsymbalov, el profesor asociado Alexander Shapeev y sus colegas utilizaron ESE para convertir agujas de diamante a nanoescala de aislantes a altamente conductoras y similares al metal, lo que proporciona una idea de la gama de posibilidades con esto. la tecnología. Ahora, el equipo ha introducido una arquitectura de red neuronal convolucional que puede guiar los esfuerzos de ESE para semiconductores.
“La red neuronal que hemos diseñado toma el tensor de deformación como entrada y predice la estructura de la banda electrónica, una 'instantánea' física que describe las propiedades electrónicas de un material tensado. A continuación, se puede utilizar para calcular cualquier propiedad de interés, incluida la banda prohibida, sus propiedades y el tensor de masa efectivo de electrones ”, dijo Shapeev.
Este trabajo continúa la investigación previa y la amplía. "Vamos más allá de los enfoques utilizados anteriormente al diseñar e implementar un modelo a medida basado en la arquitectura de red neuronal convolucional, para la tarea de ESE", dijo Tsymbalov. "También tenemos en cuenta las propiedades físicas y las simetrías para mejorar el modelo".
El enfoque combina varias fuentes de datos, por ejemplo, la computacionalmente barata pero inexacta con las precisas pero costosas para aumentar la precisión y la convergencia del modelo. “Otra característica distintiva es el aprendizaje activo: permitimos que el modelo adivine qué datos pueden ser más útiles para obtener en la siguiente etapa de capacitación y los usamos para la capacitación. En la etapa final, la red se entrena con un conjunto de datos computacionalmente costosos a partir de cálculos muy precisos basados en GW, y este procedimiento nos permite reducir la cantidad de cálculos necesarios ”, agregó Tsymbalov.
El equipo señala que su nueva red neuronal es "más versátil, precisa y eficiente en su capacidad para facilitar el aprendizaje profundo autónomo de la estructura de banda electrónica de los sólidos cristalinos" que las soluciones de vanguardia. Esto lo hace más rápido y preciso en la búsqueda y optimización dentro del espacio de deformación, lo que conduce a los valores de deformación óptimos para determinadas cifras de mérito.
En su trabajo anterior, los investigadores probaron una iteración previa del modelo en el escenario de un experimento in situ repetido en el diamante. “Por desgracia, por ahora no hay ningún dispositivo que pueda deformar el diamante con un tensor de deformación 6D arbitrario, pero hay equipos y laboratorios que persiguen esta dirección desde el punto de vista experimental”, comentó Tsymbalov.
Este estudio es parte de una colaboración de un año entre Skoltech, el Instituto de Tecnología de Massachusetts y la Universidad Tecnológica de Nanyang, con los científicos de Skoltech enfocados en el aspecto computacional y de aprendizaje automático y sus colegas a cargo del componente físico del trabajo.
“Actualmente estamos trabajando en nuestro próximo artículo, que está dedicado a los límites de las deformaciones elásticas admisibles. Es un tema importante ya que los límites teóricos de la deformación elástica segura para ESE aún no se han descubierto ”, concluyó el investigador.