Ciò consente una nuova direzione di sviluppo di chip e celle solari di nuova generazione sfruttando una deformazione controllabile che può modificare al volo le proprietà di un materiale.
I materiali su scala nanometrica possono resistere a grandi deformazioni. In quello che viene chiamato lo stato teso, possono esibire notevoli proprietà ottiche, termiche, elettroniche e di altro tipo a causa di un cambiamento nelle distanze interatomiche.
Le proprietà intrinseche di un materiale deformato possono cambiare, con il silicio semiconduttore, ad esempio, trasformandosi in un materiale che conduce liberamente la corrente elettrica.
Inoltre, variando il livello di deformazione, è possibile modificare queste proprietà su richiesta. Questa nozione ha dato origine a un intero campo di indagine: l'ingegneria delle deformazioni elastiche, o ESE.
L'approccio può essere utilizzato, ad esempio, per modificare le prestazioni dei semiconduttori, fornendo una potenziale soluzione alternativa per l'imminente limite della legge di Moore, quando esauriamo le nostre altre opzioni per aumentare le prestazioni del chip.
Un'altra possibile applicazione risiede nel campo dello sviluppo delle celle solari. Come spiega il coautore dello studio Alexander Shapeev di Skoltech, è possibile progettare una cella solare con proprietà regolabili che possono essere modificate su richiesta per massimizzare le prestazioni e adattarsi alle circostanze esterne.
Nel loro lavoro precedente, il dottorando di Skoltech Evgenii Tsymbalov, il professore associato Alexander Shapeev e i loro colleghi hanno utilizzato ESE per trasformare gli aghi diamantati su scala nanometrica da isolanti ad altamente conduttivi e simili a metalli, fornendo una panoramica della gamma di possibilità con questo la tecnologia. Ora, il team ha introdotto un’architettura di rete neurale convoluzionale che può guidare gli sforzi ESE per i semiconduttori.
“La rete neurale che abbiamo progettato prende il tensore di deformazione come input e prevede la struttura della banda elettronica, un'istantanea fisica che descrive le proprietà elettroniche di un materiale sottoposto a deformazione. Può quindi essere utilizzato per calcolare qualsiasi proprietà di interesse, incluso il bandgap, le sue proprietà e il tensore di massa efficace dell'elettrone", ha affermato Shapeev.
Questo lavoro continua la ricerca precedente e si espande su di essa. "Andiamo oltre gli approcci utilizzati in precedenza progettando e implementando un modello su misura basato sull'architettura della rete neurale convoluzionale, per il compito ESE", ha affermato Tsymbalov. "Prendiamo in considerazione anche le proprietà fisiche e le simmetrie per migliorare il modello".
L'approccio combina varie fonti di dati, ad esempio, quelle computazionalmente economiche ma imprecise con quelle precise ma costose al fine di aumentare l'accuratezza e la convergenza del modello. “Un'altra caratteristica distintiva è l'apprendimento attivo: permettiamo al modello di indovinare quali dati potrebbero essere più utili da ottenere nella fase di formazione successiva e utilizzarli per la formazione. Nella fase finale, la rete viene addestrata su una serie di dati computazionalmente costosi dai calcoli molto accurati basati su GW e questa procedura ci consente di ridurre la quantità di calcoli necessari", ha aggiunto Tsymbalov.
Il team osserva che la sua nuova rete neurale è "più versatile, precisa ed efficiente nella sua capacità di facilitare l'apprendimento profondo autonomo della struttura a banda elettronica dei solidi cristallini" rispetto alle soluzioni all'avanguardia. Ciò rende più veloce e più accurato la ricerca e l'ottimizzazione all'interno dello spazio di deformazione, il che porta ai valori di deformazione ottimali per determinate cifre di merito.
Nel loro lavoro precedente, i ricercatori hanno testato una precedente iterazione del modello nello scenario di un esperimento in situ ripetuto sul diamante. "Ahimè, per ora non esiste un dispositivo in grado di deformare il diamante con un tensore di deformazione 6D arbitrario, eppure ci sono squadre e laboratori che perseguono questa direzione dal punto di vista sperimentale", ha commentato Tsymbalov.
Questo studio fa parte di una collaborazione di un anno tra Skoltech, il Massachusetts Institute of Technology e la Nanyang Technological University, con gli scienziati di Skoltech focalizzati sull'aspetto computazionale e di apprendimento automatico e i loro colleghi responsabili della componente fisica del lavoro.
“Stiamo attualmente lavorando al nostro prossimo documento, che è dedicato ai limiti delle deformazioni elastiche ammissibili. È un argomento importante poiché i limiti teorici della deformazione elastica sicura per ESE devono ancora essere scoperti", ha concluso il ricercatore.