Het giswerk uit twistronics halen

De twist heeft het gebied van de fysica van de gecondenseerde materie stormenderhand veroverd. Nee, niet de dansgekte uit de jaren 60 die beroemd is geworden door Chubby Checker – de verbluffende ontdekking dat twee vellen grafeen, een plat honingraatvormig rooster van koolstof, in zogenaamde magische hoeken konden worden gestapeld en gedraaid om enorm verschillende eigenschappen te vertonen, waaronder supergeleiding gedrag.

Sinds 2018, toen de eerste experimentele verificatie werd gepubliceerd, hebben onderzoekers over de hele wereld dit snel groeiende deelveld van de fysica van gecondenseerde materie en materiaalkunde verkend. Maar als er miljoenen verschillende manieren zijn om lagen van tweedimensionale materialen zoals grafeen te stapelen en te draaien, hoe weet u dan op welke manier interessante eigenschappen ontstaan?

Dat is waar twee recente onderzoeksartikelen van de Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) en het Department of Physics binnenkomen. Eerste auteur van de publicaties Georgios Tritsaris, een onderzoekswetenschapper bij SEAS, met de onderzoeksgroep van Efthimios Kaxiras, de John Hasbrouck Van Vleck hoogleraar zuivere en toegepaste fysica aan de afdeling natuurkunde en directeur van het Institute for Applied Computational Science in SEAS, ontwierp een computersysteem om gedraaide meerlagige grafeenstapels te screenen op twisthoeken geassocieerd met potentieel interessante elektronische eigendommen.

De aanpak kan nanostructuren identificeren met op maat gemaakte eigenschappen die de ontwikkeling en commercialisering van kwantum- en andere technologieën kunnen helpen versnellen.

De onderzoeksartikelen zijn gepubliceerd in 2D-materialen en de Journal of Chemical Information and Modeling.

Het onderzoek bouwt voort op de expertise van het team op het gebied van materiaalmodellering en machine learning, en het eerdere werk in dit opkomende gebied, genaamd twistronics. De term twistronics werd voor het eerst geïntroduceerd door de Kaxiras Research Group in eerdere theoretische studies van gelaagd grafeen. Het verwijst naar het vermogen om de elektrische eigenschappen van tweedimensionale materialen af ​​te stemmen door een rotatie tussen opeenvolgende lagen.

“Naast het vergroten van onze theoretische kennis van willekeurig gelaagd grafeen, was een belangrijk doel het minimaliseren van de tijd voor tijdrovende experimenten met vallen en opstaan, aangezien het bereiken van een magische hoekconfiguratie in het laboratorium een ​​moeizame onderneming blijft”, aldus Tritsaris. “We wilden een geautomatiseerd systeem ontwikkelen dat een experimentator, ingenieur of misschien een algoritme zou kunnen gebruiken om de vraag snel te beantwoorden, of deze gelaagde configuratie waarschijnlijk interessant is of niet.”

Om dat te doen, maakte het team gebruik van bestaande kennis over deze materialen. De elektrische eigenschappen van het materiaal worden bepaald door hoe de energie van elektronen door de lagen heen varieert als een functie van hun momentum. Een indicator of een gedraaide configuratie al dan niet interessante elektronische fenomenen zal vertonen, is of de energie van een enkel elektron in de aanwezigheid van andere elektronen kan worden beperkt tot een smal venster, waardoor er bijna vlakke banden ontstaan ​​in de plots van elektronische energieniveaus .

Om deze vlakke banden voor een bepaalde configuratie te zoeken, gebruikten de onderzoekers een supercomputer om nauwkeurige berekeningen uit te voeren van de toegestane energieniveaus van elektronen, gecombineerd met een computervisie-algoritme dat vaak wordt gebruikt in autonome voertuigen om platte objecten zoals rijstrookverdelers te spotten. Het onderzoeksteam gebruikte de aanpak om snel stapels grafeen tot tien lagen te sorteren.

“Door het verzamelen en analyseren van gegevens te automatiseren en machinaal leren te gebruiken om informatieve visualisaties van de hele database te maken, waren we in staat om op een resource-efficiënte manier te zoeken naar meerlagige grafeenstapels met magische hoeken”, aldus Tritsaris. “Onze gestroomlijnde aanpak is ook toepasbaar op tweedimensionale gelaagde materialen buiten grafeen.”

Datacentrische benaderingen voor het ontdekken en optimaliseren van materialen worden al op verschillende gebieden gebruikt, waaronder in geneesmiddelen om nieuwe medicijndoelen te identificeren en in consumentenelektronica om nieuwe organische lichtgevende diodes (OLED’s) voor tv-schermen te vinden.

“Het is niet altijd eenvoudig hoe datamining en machine learning het beste kunnen worden benut voor materiaalonderzoek, aangezien onderzoekers vaak te maken hebben met schaarse en hoog-dimensionale gegevens, en oplossingen meestal domeinspecifiek zijn. We wilden onze bevindingen delen om het vertrouwen te vergroten bij het combineren van op fysica gebaseerde en datagestuurde modellen, op een manier die interessant en nuttig zal zijn voor wetenschappers en technologen op het gebied van tweedimensionale materialen, “zei Tritsaris.