Isso permite uma nova direção de desenvolvimento de chips e células solares de próxima geração, explorando uma deformação controlável que pode alterar as propriedades de um material em tempo real.
Os materiais em nanoescala podem suportar grandes deformações. No que é chamado de estado tenso, eles podem exibir propriedades óticas, térmicas, eletrônicas e outras notáveis devido a uma mudança nas distâncias interatômicas.
As propriedades intrínsecas de um material tensionado podem mudar, com o silício semicondutor, por exemplo, se transformando em um material que conduz a corrente elétrica livremente.
Além disso, ao variar o nível de deformação, pode-se alterar essas propriedades sob demanda. Essa noção deu origem a todo um campo de investigação: engenharia de deformação elástica ou ESE.
A abordagem pode ser usada, por exemplo, para modificar o desempenho de semicondutores, fornecendo uma solução alternativa para o limite iminente da lei de Moore, quando esgotarmos nossas outras opções para aumentar o desempenho do chip.
Outra aplicação possível encontra-se no campo do desenvolvimento de células solares. Como explica o co-autor do estudo Alexander Shapeev da Skoltech, é possível projetar uma célula solar com propriedades ajustáveis que podem ser alteradas sob demanda para maximizar o desempenho e se adaptar às circunstâncias externas.
Em seu trabalho anterior, Evgenii Tsymbalov, PhD da Skoltech, o professor associado Alexander Shapeev e seus colegas usaram o ESE para transformar agulhas de diamante em nanoescala de isolantes para altamente condutivas e semelhantes a metal, fornecendo uma visão sobre a gama de possibilidades com este tecnologia. Agora, a equipe introduziu uma arquitetura de rede neural convolucional que pode orientar os esforços de ESE para semicondutores.
“A rede neural que projetamos pega o tensor de deformação como uma entrada e prevê a estrutura da banda eletrônica - um 'instantâneo' físico que descreve as propriedades eletrônicas de um material tensionado. Ele pode então ser usado para calcular quaisquer propriedades de interesse, incluindo o bandgap, suas propriedades e tensor de massa efetiva de elétrons ”, disse Shapeev.
Este trabalho continua a pesquisa anterior e se expande sobre ela. “Vamos além das abordagens usadas anteriormente, projetando e implementando um modelo sob medida com base na arquitetura de rede neural convolucional, para a tarefa ESE”, disse Tsymbalov. “Também levamos em consideração as propriedades físicas e as simetrias para melhorar o modelo.”
A abordagem combina várias fontes de dados, por exemplo, as mais baratas do ponto de vista computacional, mas imprecisas, com as mais precisas, mas caras, a fim de aumentar a precisão e a convergência do modelo. “Outro recurso distinto é o aprendizado ativo - permitimos que o modelo adivinhe quais dados podem ser mais úteis para obter no próximo estágio de treinamento e os usamos para o treinamento. No estágio final, a rede é treinada em um conjunto de dados computacionalmente caros a partir de cálculos muito precisos baseados em GW, e esse procedimento nos permite reduzir a quantidade de cálculos necessários ”, acrescentou Tsymbalov.
A equipe observa que sua nova rede neural é “mais versátil, precisa e eficiente em sua capacidade de facilitar o aprendizado profundo autônomo da estrutura de banda eletrônica de sólidos cristalinos” do que as soluções de última geração. Isso o torna mais rápido e preciso na busca e otimização dentro do espaço de deformação, o que leva aos valores de deformação ideais para determinadas figuras de mérito.
Em seu trabalho anterior, os pesquisadores testaram uma iteração anterior do modelo no cenário de um experimento in situ repetido em diamante. “Infelizmente, por enquanto não há nenhum dispositivo que pode deformar o diamante com um tensor de deformação 6D arbitrário, mas há equipes e laboratórios buscando essa direção do ponto de vista experimental”, comentou Tsymbalov.
Este estudo é parte de uma colaboração de um ano entre Skoltech, o Instituto de Tecnologia de Massachusetts e a Universidade Tecnológica de Nanyang, com os cientistas da Skoltech focados no aspecto computacional e de aprendizado de máquina e seus colegas responsáveis pelo componente físico do trabalho.
“No momento, estamos trabalhando em nosso próximo artigo, que é dedicado aos limites das deformações elásticas admissíveis. É um tópico importante, pois os limites teóricos da deformação elástica segura para ESE ainda não foram descobertos ”, concluiu o pesquisador.