Это открывает новое направление развития микросхем и солнечных элементов следующего поколения за счет использования контролируемой деформации, которая может изменять свойства материала на лету.
Материалы в наномасштабе могут выдерживать большие деформации. В так называемом напряженном состоянии они могут проявлять замечательные оптические, тепловые, электронные и другие свойства из-за изменения межатомных расстояний.
Внутренние свойства деформированного материала могут измениться, например, полупроводящий кремний превращается в материал, который свободно проводит электрический ток.
Более того, варьируя уровень деформации, можно изменять эти свойства по мере необходимости. Это понятие породило целую область исследований: инженерию упругих деформаций или ESE.
Такой подход можно использовать, например, для изменения характеристик полупроводников, обеспечивая потенциальный обходной путь для приближающегося ограничения закона Мура, когда мы исчерпаем другие варианты повышения производительности микросхемы.
Другое возможное применение находится в области разработки солнечных элементов. Как объясняет соавтор исследования Александр Шапеев из Сколтеха, можно спроектировать солнечный элемент с настраиваемыми свойствами, которые можно изменять по запросу, чтобы максимизировать производительность и адаптироваться к внешним обстоятельствам.
В своей предыдущей работе аспирант Сколтеха Евгений Цымбалов, доцент Александр Шапеев и их коллеги использовали ESE, чтобы превратить наноразмерные алмазные иглы из изоляционных в высокопроводящие и металлоподобные, давая представление о диапазоне возможностей с этим technology. Теперь команда представила архитектуру сверточной нейронной сети, которая может помочь ESE в разработке полупроводников.
«Разработанная нами нейронная сеть принимает тензор деформации в качестве входных данных и предсказывает структуру электронной зоны - физический« снимок », который описывает электронные свойства деформируемого материала. Затем его можно использовать для расчета любых интересующих свойств, включая ширину запрещенной зоны, ее свойства и тензор эффективной массы электронов », - сказал Шапеев.
Эта работа продолжает предыдущие исследования и расширяет их. «Мы выходим за рамки ранее использовавшихся подходов, разрабатывая и внедряя индивидуализированную модель на основе архитектуры сверточной нейронной сети для задачи ESE», - сказал Цымбалов. «Мы также принимаем во внимание физические свойства и симметрию, чтобы улучшить модель».
Подход объединяет различные источники данных, например, недорогие в вычислительном отношении, но неточные, с точными, но дорогими, чтобы повысить точность и сходимость модели. «Еще одна отличительная особенность - активное обучение - мы позволяем модели угадывать, какие данные могут быть наиболее полезными для получения на следующем этапе обучения, и использовать их для обучения. На заключительном этапе сеть обучается на наборе дорогостоящих в вычислительном отношении данных из очень точных вычислений на основе GW, и эта процедура позволяет нам сократить количество необходимых вычислений », - добавил Цымбалов.
Команда отмечает, что ее новая нейронная сеть «более универсальна, точна и эффективна в своей способности облегчить автономное глубокое изучение электронной полосовой структуры кристаллических твердых тел», чем современные решения. Это делает его более быстрым и точным при поиске и оптимизации в пространстве деформации, что приводит к оптимальным значениям деформации для заданных показателей качества.
В своей более ранней работе исследователи протестировали предыдущую итерацию модели в сценарии повторяющегося эксперимента на месте с алмазом. «Увы, пока нет устройства, которое могло бы деформировать алмаз с произвольным тензором 6D деформации, но есть бригады и лаборатории, развивающие это направление с экспериментальной точки зрения», - прокомментировал Цымбалов.
Это исследование является частью годичного сотрудничества между Сколтехом, Массачусетским технологическим институтом и Технологическим университетом Наньян, с учеными Сколтеха, сосредоточенными на аспектах вычислений и машинного обучения, и их коллегами, отвечающими за физический компонент работы.
«В настоящее время мы работаем над следующей статьей, которая посвящена границам допустимых упругих деформаций. Это важная тема, поскольку теоретические пределы безопасной упругой деформации для ЭСЭ еще предстоит обнаружить », - заключил исследователь.