Topologi og maskinlæring afslører skjulte forhold i amorft silicium

Teoretiske videnskabsmænd har brugt topologisk matematik og maskinlæring til at identificere et skjult forhold mellem strukturer i nanoskala og termisk ledningsevne i amorft silicium, en glasagtig form af materialet uden gentagen krystallinsk orden.

En undersøgelse, der beskriver deres teknik, dukkede op i Journal of Chemical Physics .

Amorfe faste stoffer, såsom glas, obsidian, voks og plastik, har ingen lang række gentagelser eller krystallinsk struktur til de atomer eller molekyler, de er lavet af. Dette står i kontrast til krystallinske faste stoffer, såsom salt, de fleste metaller og sten. Da de mangler rækkefølge i deres struktur, kan den termiske ledningsevne af amorfe faste stoffer være langt lavere end et krystallinsk fast stof sammensat af det samme materiale.

Der kan dog stadig være en mellemrækkefølge på skalaen af ​​nanometer. Denne mellemrækkende orden skulle påvirke udbredelsen og spredningen af ​​atomare vibrationer, som bærer varme. Varmetransporten i uordnede materialer er af særlig interesse for fysikere på grund af dens betydning i industrielle anvendelser. Den amorfe form af silicium bruges i en enorm række af applikationer i den moderne verden, fra solceller til billedsensorer. Af denne grund har forskere intensivt undersøgt den strukturelle signatur af mellemdistanceordenen i amorft silicium, og hvordan det relaterer til termisk ledningsevne.

"For bedre kontrol over applikationer, der gør brug af amorft silicium, er styring af dets termiske egenskaber højt på ingeniørernes ønskeliste," sagde Emi Minamitani, den tilsvarende forfatter til undersøgelsen og en teoretisk molekylær videnskabsmand ved Institute for Molecular Science i Okazaki, Japan. "Det er en vigtig nøgle at udtrække de strukturelle karakteristika i nanoskala i amorf inklusiv mellemrækkefølge."

Desværre har forskere kæmpet for at udføre denne opgave, fordi det er vanskeligt at bestemme de væsentlige nanoskala-træk ved uordnede systemer ved hjælp af traditionelle teknikker.

I eksperimenter er tilstedeværelsen af ​​mellemrækkende orden blevet fysisk detekteret ved hjælp af fluktuationselektronmikroskopi, som involverer statistisk analyse af spredning fra nanoskala volumener af et uordnet materiale. På det teoretiske niveau er det blevet diskuteret ved at overveje fordelingen af ​​dihedrale vinkler (vinklen mellem to skærende planer mellem sæt af atomer) eller ved at bruge "ringstatistik". Sidstnævnte forsøger at forstå de strukturelle karakteristika fra atomernes forbindelse.

Dette trækker igen på matematikfeltet kendt som topologi, som undersøger egenskaber ved et objekt, der ikke ændrer sig - eller er "invariante" - selv når objektet konstant strækkes og deformeres uden at blive brudt (såsom former skrevet på en gummi). ark). At fokusere på denne topologiske invarians er nyttig til at levere en kvalitativ beskrivelse, såsom tendens af de fysiske egenskaber med hensyn til tilfældighed. Det er dog krævende at bestemme den atomare struktur svarende til en mellemrækkefølge og kun forudsige dens fysiske egenskaber ud fra simple topologiske invarianter.

Så forskerne skiftede til en ny teknik kaldet vedvarende homologi, en type topologisk dataanalyse. Vedvarende homologi er blevet brugt andre steder til at analysere komplekse strukturer lige fra proteiner til amorfe faste stoffer. Fordelen ved denne metode er at detektere topologiske træk i komplicerede strukturer i forskellige rumlige skalaer. Dette er afgørende, fordi mellemrækkefølgen omfatter kvasi-repetitive strukturer i forskellige skalaer. Ved at bruge denne egenskab kan vi udtrække mellemrækkefølgen, der er gemt under det, der ellers fremstår som tilfældigt.

Forskerne byggede beregningsmodeller af amorft silicium ved klassisk molekylær dynamik, hvor temperaturen af ​​silicium blev øget over smeltepunktet og derefter gradvist afkølet (quenching) til stuetemperatur. Forskelle i strukturelle karakteristika blev introduceret ved at ændre afkølingshastigheden.

Derefter blev det vedvarende diagram, som er den todimensionelle visualisering af vedvarende homologi, beregnet for hver model. Forskerne fokuserede på, at diagrammerne afspejler de strukturelle træk ved amorft silicium. Således konstruerede de den numeriske repræsentation, kaldet "deskriptorer", som kunne bruges i maskinlæring. Forskeren fandt ud af, at det vedvarende diagram opfyldte skabelsen af ​​en god deskriptor til brug i maskinlæringsproceduren, som igen opnåede nøjagtige forudsigelser om de termiske ledningsevner.

Ved yderligere at analysere de vedvarende homologidata og maskinlæringsmodellen illustrerede forskerne det tidligere skjulte forhold mellem mellemrækkende orden i amorft silicium og dets termiske ledningsevne.

Undersøgelsen skulle nu åbne en mulighed for at kontrollere materialeegenskaber for amorft silicium og andre amorfe faste stoffer gennem topologien af ​​deres nanostrukturer. + Udforsk yderligere

Oprindelse af bosontoppen i amorfe faste stoffer