Statistiske design fremskynder optimeringen af ​​lagdelte 2-D krystaller

Det er blevet anslået, at der er mere end 10 ¹⁰⁰ mulige materialer, der kan syntetiseres, vokset og optimeret. Materialedesign kan være en langsom og besværlig proces, og at undersøge det fulde parameterrum er en formidabel udfordring. Maskinlæring og andre avancerede statistiske teknikker vil næsten helt sikkert fremskynde materialeudvikling, men mange materialeforskere er uvidende om, at meget grundlæggende statistiske designmetoder kan fremskynde processen. Disse inkluderer fraktioneret faktorielt design af eksperimenter, som er mere almindeligt brugt af produktingeniører end materialeforskere.

Lagdelte chalcogenid materialer, såsom Sb ₂ Te ₃ , har tiltrukket sig betydelig opmærksomhed i det sidste årti på grund af deres topologisk ikke-trivielle dårlige struktur, og brug i termoelektrisk og grænsefladefaseændringshukommelse. Højkvalitets krystaller af Sb ₂ Te ₃ er nødvendige for højtydende hukommelses- og energikonverteringsenheder. Imidlertid, effektiv optimering af krystalkvaliteten er udfordrende, fordi den er meget følsom over for et stort antal synteseparametre, såsom temperatur, tryk, omgivende materialer og aflejringshastighed. Det er ofte svært at bestemme de parametre, der væsentligt påvirker krystalkvaliteten, dvs. "Vi kan ikke se skoven i træerne, " og derfor, det er svært at vide, hvilken designparameter der skal prioriteres under optimering.

Forskere fra Singapore University of Technology and Design (SUTD) brugte Sb ₂ Te ₃ vækstproblem for at demonstrere styrken af ​​fraktioneret faktorielt design i materialevidenskab. Efter at have afsløret de statistisk signifikante parametre og interaktioner, der påvirker kvaliteten af ​​Sb ₂ Te ₃ krystaller, forskerholdet var i stand til at dyrke højkvalitets lagdelt Sb ₂ Te ₃ krystaller over en 4" siliciumwafer ved hjælp af sputtering, som er en industrielt skalerbar deponeringsteknik.

SUTD hovedefterforsker, Adjunkt Robert Simpson sagde, "Vores undersøgelse viser, at disse tværfaglige statistiske optimeringsteknikker kan give betydelige effektivitetsforøgelser, og det er derfor besynderligt, at disse tilgange ikke er meget brugt i materialevidenskab. Måske skyldes modviljen mod at anvende fraktioneret faktorielt design, at det er rent statistisk og ikke direkte giver information om underliggende fysik. Imidlertid, disse dage, Kunstig intelligens giver næring til en revolution inden for "black box"-optimeringsteknikker inden for materialevidenskab, og at kombinere dem med fysiske modeller vil utvivlsomt give radikale ændringer til den måde, vi laver materialevidenskab på."