Tager gætterierne ud af twistronics

Vridningen har taget feltet med kondenseret fysik med storm. Ingen, ikke danserne fra 1960'erne, der blev kendt af Chubby Checker - den fantastiske opdagelse, at to ark grafen, et fladt bikageformet gitter af kulstof, kunne stables og vrides i såkaldte magiske vinkler for at udvise vidt forskellige egenskaber, herunder superledende adfærd.

Siden 2018 har da den første eksperimentelle verifikation blev offentliggjort, forskere rundt om i verden har udforsket dette hurtigt ekspanderende underfelt inden for kondenseret fysik og materialevidenskab. Men når der er millioner af forskellige måder at stable og sno lag af todimensionelle materialer som grafen, hvordan ved du, hvilken vej der vil give interessante ejendomme?

Det er her to nyere forskningsartikler fra Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) og Institut for Fysik kommer ind. Første forfatter til publikationerne Georgios Tritsaris, forsker ved SEAS, med forskningsgruppen Efthimios Kaxiras, John Hasbrouck Van Vleck professor i ren og anvendt fysik i Institut for Fysik og direktør for Institute for Applied Computational Science i SEAS, designet et beregningssystem til at screene snoede flerlags grafenstakke for vridningsvinkler forbundet med potentielt interessante elektroniske egenskaber.

Fremgangsmåden kan identificere nanostrukturer med skræddersyede egenskaber, der kan hjælpe med at fremskynde udviklingen og kommercialiseringen af ​​kvante- og andre teknologier.

Forskningsartiklerne blev offentliggjort i 2-D materialer og Journal of Chemical Information and Modeling .

Forskningen bygger på teamets ekspertise inden for materialemodellering og maskinlæring, og dets tidligere arbejde på dette nye område, navngivet twistronics. Begrebet twistronics blev først introduceret af Kaxiras Research Group i tidligere teoretiske undersøgelser af lagdelt grafen. Det refererer til evnen til at justere de elektriske egenskaber for todimensionelle materialer gennem en rotation mellem på hinanden følgende lag.

"Udover at øge vores teoretiske viden om vilkårligt lagdelt grafen, et vigtigt mål var at minimere behovet for tidskrævende, forsøg med fejl-eksperimenter, da det er en omhyggelig bestræbelse at opnå en magisk vinkelkonfiguration i laboratoriet, "sagde Tritsaris." Vi ville udvikle et automatiseret system, som en eksperimentel, ingeniør, eller måske en algoritme, kunne bruge til hurtigt at besvare spørgsmålet, er denne lagdelte konfiguration sandsynligvis interessant eller ej. "

At gøre det, teamet udnyttede eksisterende viden om disse materialer. Materialets elektriske egenskaber bestemmes af, hvordan elektronernes energi gennem lagene varierer som en funktion af deres momentum. En indikator på, om en snoet konfiguration vil udvise interessante elektroniske fænomener, er om energien fra en enkelt elektron i nærvær af andre elektroner kan begrænses til et smalt vindue, hvilket giver anledning til næsten flade bånd i plots af elektroniske energiniveauer.

For at lede efter disse flade bånd til en given konfiguration, forskerne brugte en supercomputer til at udføre nøjagtige beregninger af elektroners tilladte energiniveauer, kombineret med en computer vision -algoritme, der almindeligvis bruges i autonome køretøjer til at spotte flade objekter, f.eks. Forskergruppen brugte metoden til hurtigt at sortere gennem stakke af grafen op til ti lag.

"Ved at automatisere dataindsamling og analyse og bruge maskinlæring til at oprette informative visualiseringer af hele databasen, vi var i stand til at søge efter magiske vinkler i flere lag grafenstakke på en ressourceeffektiv måde, "sagde Tritsaris." Vores strømlinede tilgang er også gældende for todimensionale lagdelte materialer ud over grafen. "

Datacentriske tilgange til opdagelse og optimering af materialer bruges allerede inden for en række områder, herunder i lægemidler til at identificere nye lægemiddelmål og i forbrugerelektronik til at finde nye organiske lysemitterende dioder (OLED'er) til tv-skærme.

"Det er ikke altid ligetil, hvordan man bedst udnytter data mining og maskinlæring til materialeforskning, som forskere ofte beskæftiger sig med sparsomme og højdimensionelle data, og løsninger har en tendens til at være domænespecifikke. Vi ønskede at dele vores resultater for at øge tilliden til at kombinere fysikbaserede og datadrevne modeller, på en måde, der bliver interessant og nyttig for forskere og teknologer inden for todimensionale materialer, "sagde Tritsaris.