Dit maakt een nieuwe richting voor de ontwikkeling van chips en zonnecellen van de volgende generatie mogelijk door gebruik te maken van een beheersbare vervorming die de eigenschappen van een materiaal on-the-fly kan veranderen.
Materialen op nanoschaal zijn bestand tegen grote vervormingen. In wat de gespannen toestand wordt genoemd, kunnen ze opmerkelijke optische, thermische, elektronische en andere eigenschappen vertonen als gevolg van een verandering in interatomaire afstanden.
De intrinsieke eigenschappen van een gespannen materiaal kunnen veranderen, waarbij bijvoorbeeld het halfgeleidende silicium verandert in een materiaal dat de elektrische stroom vrijelijk geleidt.
Bovendien kan men deze eigenschappen op verzoek wijzigen door het spanningsniveau te variëren. Dat idee heeft geleid tot een heel onderzoeksgebied: elastic strain engineering of ESE.
De aanpak kan bijvoorbeeld worden gebruikt om de prestaties van halfgeleiders aan te passen, wat een mogelijke oplossing biedt voor de naderende limiet van de wet van Moore, wanneer we onze andere opties voor het verbeteren van de chipprestaties uitputten.
Een andere mogelijke toepassing ligt op het gebied van zonnecelontwikkeling. Zoals co-auteur Alexander Shapeev van Skoltech uitlegt, kan men een zonnecel ontwerpen met afstembare eigenschappen die op verzoek kunnen worden gewijzigd om de prestaties te maximaliseren en zich aan te passen aan externe omstandigheden.
In hun eerdere werk gebruikten Skoltech-promovendus Evgenii Tsymbalov, universitair hoofddocent Alexander Shapeev, en hun collega's ESE om diamantnaalden op nanoschaal te veranderen van isolerend in zeer geleidend en metaalachtig, waardoor inzicht werd verkregen in de reeks mogelijkheden hiermee. technologie. Nu heeft het team een convolutionele neurale netwerkarchitectuur geïntroduceerd die ESE-inspanningen voor halfgeleiders kan begeleiden.
“Het neurale netwerk dat we hebben ontworpen, neemt de spanningstensor als input en voorspelt de elektronische bandstructuur - een fysieke 'snapshot' die de elektronische eigenschappen van een gespannen materiaal beschrijft. Het kan dan worden gebruikt om alle interessante eigenschappen te berekenen, inclusief de bandgap, de eigenschappen ervan en de elektroneneffectieve massatensor, "zei Shapeev.
Dit werk zet eerder onderzoek voort en breidt het uit. "We gaan verder dan de eerder gebruikte benaderingen door een op maat gemaakt model te ontwerpen en te implementeren op basis van de convolutionele neurale netwerkarchitectuur, voor de ESE-taak," zei Tsymbalov. "We houden ook rekening met de fysieke eigenschappen en symmetrieën om het model te verbeteren."
De aanpak combineert verschillende gegevensbronnen, bijvoorbeeld de rekenkundig goedkope maar onnauwkeurige met de precieze maar dure om de nauwkeurigheid en convergentie van het model te vergroten. "Een ander onderscheidend kenmerk is actief leren - we laten het model raden welke gegevens het nuttigst zijn om te verkrijgen in de volgende trainingsfase, en deze voor training te gebruiken. In de laatste fase wordt het netwerk getraind op een reeks computationeel dure gegevens van de zeer nauwkeurige GW-gebaseerde berekeningen, en deze procedure stelt ons in staat om de hoeveelheid benodigde berekeningen te verminderen, "voegde Tsymbalov eraan toe.
Het team merkt op dat zijn nieuwe neurale netwerk "veelzijdiger, nauwkeuriger en efficiënter is in zijn vermogen om autonoom diep leren van de elektronische bandstructuur van kristallijne vaste stoffen mogelijk te maken" dan state-of-the-art oplossingen. Dit maakt het sneller en nauwkeuriger bij het zoeken en optimaliseren binnen de rekruimte, wat leidt tot de optimale rekwaarden voor gegeven cijfers van verdienste.
In hun eerdere werk testten de onderzoekers een eerdere iteratie van het model in het scenario van een herhalend in situ-experiment op diamant. "Helaas, voorlopig is er geen apparaat dat de diamant kan vervormen met een willekeurige 6D-vervormingstensor, maar er zijn teams en laboratoria die deze richting volgen vanuit experimenteel oogpunt", merkte Tsymbalov op.
Deze studie maakt deel uit van een jarenlange samenwerking tussen Skoltech, het Massachusetts Institute of Technology en Nanyang Technological University, met de Skoltech-wetenschappers die zich richtten op het computationele en machine learning-aspect en hun collega's die verantwoordelijk zijn voor de fysieke component van het werk.
“We werken momenteel aan ons volgende artikel, dat gewijd is aan de grenzen van toelaatbare elastische rekken. Het is een belangrijk onderwerp omdat de theoretische grenzen van veilige elastische vervorming voor ESE nog moeten worden ontdekt”, concludeerde de onderzoeker.