Redes neurais artificiais para predição das propriedades de transporte de vale em nanofitas de grafeno
Abstract
The control of the valley degree of freedom of electrons (valleytronics) has recently
emerged as a promising technology for the next generation of electronic devices; this
quantum number naturally appears in periodic solids with degenerated local minima and
maxima at inequivalent points of the Brillouin zone. Similar to spintronics, the applicability
of valleytronics relies on the electric generation, control and detection of valley
currents; in this context, 2D materials with hexagonal lattices such as graphene and transition
metal dichalcogenides offer two valleys (K and K0) well separated in momentum
space that can be accessed by optical, magnetic and mechanical means. Electrons in
opposite valleys in graphene see in homogeneous mechanical deformation as regions with
opposite polarity pseudo-magnetic fields; unfortunately, the observed effects require fine
tuning of the energy, defined height/width ratio of the bubble, narrow contacts, location
of the nanobubble near to the right contact and crystalline orientation. All these
ingredients mix in a subtle and hidden way that it is impossible to predict the effect of
a given deformation before heavy calculations. With this in mind, this problem was modeled
as a supervised regression problem in which a Deep Neural Network (DNN) model
was trained to learn the relationship between the design parameters of the superlattice
and the valley filter effect. The dataset used in this experiment was generated using the
Green’s Function. The dataset was processed, normalized and randomly split into 80%
for training and 20% for testing (used to evaluate the performance of the DNN model).
The results using DNN for the prediction showed accuracy measures in: R2 = 0:970 and
MSE = 0:001. The DNN was able to predict the valley filter with a precision similar to
the Green’s function but with much less computational effort. The DNN was then used
to help in the searching for the 1D Gaussian superlattice with efficient valley filter, but
with the smallest number of deformations and strain.
Summary
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.
CNPq Area
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAO
Citation
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.
File URL
Collections
Except where otherwise noted, this item's license is described as Acesso Aberto