Redes neurais artificiais para predição das propriedades de transporte de vale em nanofitas de grafeno
Tipo
Dissertação
Data de publicação
2019-08-14
Periódico
Citações (Scopus)
Autores
Silva, Pablo Rhuam Cavalcante
Orientador
Ardila, Dario Andres Bahamon
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Oliveira, Pedro Paulo Balbi de
Faria, Daiara Fernandes de
Faria, Daiara Fernandes de
Programa
Engenharia Elétrica
Resumo
O controle do vale, um grau de liberdade quântico dos elétrons (valleytronics) emergiu
recentemente como uma tecnologia promissora para a próxima geração de dispositivos eletrônicos.
De forma similar à spintronics, o propósito de valleytronics é usar os múltiplos
extremos da estrutura de banda de forma que a informação de 0s e 1s seja armazenada
como diferentes valores discretos do espaço do momento do cristal; neste contexto, materiais
2D com redes hexagonais, como o grafeno, e dichalcogenetos de metais de transição,
oferecem dois vales (K e K0) podem ser acessados por meios óticos, magnéticos e mecânicos.
Por exemplo, tem sido observado que sobre simetria espacial quebrada estes sistemas
geram regras de seleção óticas que dependem do vale e menos dissipação topológica de
corrente de vale. No entanto, essa abordagem é limitada a alto número de exemplares
de qualidade com alinhamento perfeito das camadas. Por outro lado, elétrons em vales
opostos no grafeno veem deformações mecânicas homogêneas como regiões de campos
pseudomagnéticos de polaridades opostas; campos pseudomagnéticos de mais de 300T
têm sido observados em deformações. Numerosos estudos de bolhas gaussianas têm mostrado
a separação de correntes e filtro de vale; infelizmente, os efeitos observados exigem
ajustes finos de energia, uma proporção pré-definida entre altura e largura da bolha, altas
taxas de deformação, proximidade da bolha em relação ao contato da direita e orientação
cristalina. Todos esses ingredientes se misturam de uma maneira sutil e oculta de
uma forma que é impossível prever o efeito de uma dada deformação antes de cálculos
pesados. Diante disso, modelou-se um problema de regressão supervisionado no qual um
modelo de Rede Neural Profunda (DNN) foi treinado para aprender a relação entre os
parâmetros de design da super-rede como representada na Figura 2.5 e o efeito de filtro de
vale. O conjunto de dados usado neste experimento foi gerado usando Função de Green,
normalizado e dividido aleatoriamente em 80% para treinamento e 20% para teste. Os resultados
utilizando DNN para a predição mostraram medidas de acurácia em: R2 = 0:970
e MSE = 0:001. A DNN foi capaz de predizer o filtro de vale com uma precisão semelhante
à Função de Green, mas com muito menos esforço computacional. A DNN foi então usada
para auxiliar na busca da super-rede com deformações gaussianas que apresentasse mais
filtros de vale eficiente, mas com menor número de gaussianas e menor deformação.
Descrição
Palavras-chave
rede neural , aprendizado de Máquina , valleytronics , deformação mecânica , bolhas gaussianas , filtro de vale
Assuntos Scopus
Citação
SILVA, Pablo Rhuam Cavalcante. Redes neurais artificiais para predição das propriedades de transporte de vale em nanofitas de grafeno. 2019. 75 f. Dissertação ( Engenharia Elétrica ) - Universidade Presbiteriana Mackenzie, São Paulo, 2019.