Show simple item record

dc.contributor.advisorArdila, Dario Andres Bahamon
dc.contributor.authorSilva, Pablo Rhuam Cavalcante
dc.date.accessioned2020-03-30T17:58:02Z
dc.date.accessioned2020-05-28T18:08:58Z
dc.date.available2020-05-28T18:08:58Z
dc.date.issued2019-08-14
dc.identifier.citationSILVA, 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.
dc.identifier.urihttp://dspace.mackenzie.br/handle/10899/24502
dc.description.abstractO 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.
dc.description.abstractThe 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.
dc.formatapplication/pdf
dc.languagepor
dc.publisherUniversidade Presbiteriana Mackenzie
dc.rightsAcesso Aberto
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectrede neural
dc.subjectaprendizado de Máquina
dc.subjectvalleytronics
dc.subjectdeformação mecânica
dc.subjectbolhas gaussianas
dc.subjectfiltro de vale
dc.titleRedes neurais artificiais para predição das propriedades de transporte de vale em nanofitas de grafeno
dc.typeDissertação
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAO
dc.contributor.advisor-co1Silva, Leandro Augusto da
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/1396385111251741
dc.creator.Latteshttp://lattes.cnpq.br/0907673125468136
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4024191340514093
dc.keywordsneural network
dc.keywordsmachine learning
dc.keywordsvalleytronics
dc.keywordsgraphene
dc.keywordsmechanical deformation
dc.keywordsgaussian bubbles
local.contributor.board1Oliveira, Pedro Paulo Balbi de
local.contributor.board1Latteshttp://lattes.cnpq.br/9556738277476279
local.contributor.board2Faria, Daiara Fernandes de
local.contributor.board2Latteshttp://lattes.cnpq.br/9401814864083219
local.publisher.countryBrasil
local.publisher.departmentEscola de Engenharia Mackenzie (EE)
local.publisher.initialsUPM
local.publisher.programEngenharia Elétrica


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Acesso Aberto
Except where otherwise noted, this item's license is described as Acesso Aberto