Redes neurais artificiais para predição das propriedades de transporte de vale em nanofitas de grafeno

Página do item simplificado
dc.contributor.advisorArdila, Dario Andres Bahamon
dc.contributor.advisor-co1Silva, Leandro Augusto da
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/1396385111251741por
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4024191340514093por
dc.contributor.authorSilva, Pablo Rhuam Cavalcante
dc.creator.Latteshttp://lattes.cnpq.br/0907673125468136por
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.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.por
dc.formatapplication/pdf*
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.por
dc.identifier.urihttp://dspace.mackenzie.br/handle/10899/24502
dc.keywordsneural networkeng
dc.keywordsmachine learningeng
dc.keywordsvalleytronicseng
dc.keywordsgrapheneeng
dc.keywordsmechanical deformationeng
dc.keywordsgaussian bubbleseng
dc.languageporpor
dc.publisherUniversidade Presbiteriana Mackenziepor
dc.rightsAcesso Abertopor
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectrede neuralpor
dc.subjectaprendizado de Máquinapor
dc.subjectvalleytronicspor
dc.subjectdeformação mecânicapor
dc.subjectbolhas gaussianaspor
dc.subjectfiltro de valepor
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAOpor
dc.titleRedes neurais artificiais para predição das propriedades de transporte de vale em nanofitas de grafenopor
dc.typeDissertaçãopor
local.contributor.board1Oliveira, Pedro Paulo Balbi de
local.contributor.board1Latteshttp://lattes.cnpq.br/9556738277476279por
local.contributor.board2Faria, Daiara Fernandes de
local.contributor.board2Latteshttp://lattes.cnpq.br/9401814864083219por
local.publisher.countryBrasilpor
local.publisher.departmentEscola de Engenharia Mackenzie (EE)por
local.publisher.initialsUPMpor
local.publisher.programEngenharia Elétricapor
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
PABLO RHUAM CAVALCANTE SILVA.pdf
Tamanho:
7.28 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Engenharia Elétrica e Computação - Dissertações - EE Higienópolis