🔬 materials science

Bidirectional Learning of Relationships between Atomic Environments and Electronic Band Dispersion in Semiconductor Heterostructures

यह शोध पत्र एक द्विदिशीय शिक्षण ढांचे (bidirectional learning framework) को प्रस्तुत करता है जो परमाणु रूप से रिज़ॉल की गई स्पेक्ट्रल फलनों (spectral functions) का उपयोग करके सेमीकंडक्टर हेटरोस्ट्रक्चर में स्थानीय परमाणु परिवेशों को इलेक्ट्रॉनिक बैंड प्रकीर्णन (electronic band dispersion) से जोड़ता है, जिससे परमाणु संरचनाओं से इलेक्ट्रॉनिक बैंडों की भविष्यवाणी और स्पेक्ट्रोस्कोपिक डेटा से परमाणु डिस्क्रिप्टर्स का अनुमान लगाना, दोनों सक्षम होते हैं।

मूल लेखक: Artem K Pimachev, Sanghamitra Neogi

प्रकाशित 2026-03-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Artem K Pimachev, Sanghamitra Neogi

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक जटिल मशीन, जैसे कि एक हाई-एंड कार इंजन को समझने की कोशिश कर रहे हैं, लेकिन आप केवल टेलपाइप से निकलने वाले धुएं को ही देख सकते हैं। आप अंदर के पिस्टन, गियर या स्पार्क प्लग को नहीं देख सकते। आमतौर पर, यह समझने के लिए कि अंदर क्या हो रहा है, आपको पूरे इंजन को खोलना होगा, हर एक बोल्ट का अध्ययन करना होगा और फिर अनुमान लगाना होगा कि वह कार को तेज़ कैसे चलाता है। यह धीमा, महंगा है और जटिल सामग्रियों के लिए अक्सर असंभव है।

यह शोध पत्र एक नया "जादुय अनुवादक" पेश करता है जो दो काम एक साथ कर सकता है:

निकास (इलेक्ट्रॉनिक बैंड) को देखना और इंजन के पुर्जों (परमाणु संरचना) का अनुमान लगाना।
इंजन के पुर्जों को देखना और सटीक भविष्यवाणी करना कि निकास कैसा दिखेगा।

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल उपमाओं का उपयोग करते हुए।

समस्या: सूक्ष्म सामग्रियों का "ब्लैक बॉक्स"

सेमीकंडक्टर्स (वह चीज़ जिससे आपके फोन और कंप्यूटर चिप्स बनते हैं) अक्सर अलग-अलग सामग्रियों की पतली परतों को एक के ऊपर एक रखकर बनाए जाते हैं, जैसे सिलिकॉन और जर्मेनियम का एक सैंडविच।

चुनौती: इस सैंडविच के माध्यम से बिजली कैसे चलती है, यह इस पर निर्भर करता है कि परमाणुओं को कैसे व्यवस्थित किया गया है। यदि आप सैंडविच को खींचते हैं या परत की मोटाई बदलते हैं, तो "इलेक्ट्रॉनिक बैंड" (वे रास्ते जिनसे इलेक्ट्रॉन गुजरते हैं) बदल जाते हैं।
पुराना तरीका: वैज्ञानिक हर एक परमाणु का अनुकरण (सिमुलेशन) करने के लिए सुपर-कंप्यूटरों का उपयोग करते थे। यह हवा के हर एक अणु की गति की गणना करके मौसम की भविष्यवाणी करने जैसा है। इसमें बहुत समय लगता है और यह नए पदार्थों को डिजाइन करने के लिए बहुत धीमा है।
अंतराल: हमारे पास ऐसे उपकरण भी हैं (जैसे ARPES) जो इलेक्ट्रॉनिक रास्तों (निकास) को "देख" सकते हैं, लेकिन हम आसानी से पीछे की ओर काम नहीं कर सकते कि किस परमाणु व्यवस्था ने उन्हें बनाया।

समाधान: एक दो-तरफा रास्ता

लेखकों ने एक द्विदिश शिक्षण प्रणाली (Bidirectional Learning System) बनाई है। इसे एक दो-तरफा सड़क के रूप में सोचें जहाँ यातायात दोनों दिशाओं में पूरी तरह से प्रवाहित होता है।

1. "फॉरवर्ड" मॉडल: द आर्किटेक्ट (वास्तुकार)

यह क्या करता है: आप इसे परमाणु परतों का एक ब्लूप्रिंट (सामग्री) देते हैं, और यह इलेक्ट्रॉनिक मानचित्र (अंतिम व्यंजन) की भविष्यवाणी करता है।
उपमा: एक मास्टर शेफ की कल्पना करें जो जानता है कि नमक का एक चुटकी डालना या खाना पकाने का तापमान बदलना सूप के स्वाद को कैसे बदल देगा। यदि आप शेफ से कहते हैं, "मेरे पास 4 सिलिकॉन की परतें और 4 जर्मेनियम की परतें हैं," तो शेफ तुरंत एक चित्र बना देता है कि फ्लेवर प्रोफाइल (इलेक्ट्रॉनिक बैंड) कैसा दिखेगा।
सीक्रेट सॉस: पूरी सूप को एक साथ देखने के बजाय, उन्होंने व्यक्तिगत परमाणुओं को देखा। उन्होंने महसूस किया कि एक परत के बीच में स्थित परमाणु, इंटरफेस (किनारे) पर स्थित परमाणु की तुलना में अलग व्यवहार करता है। उन्होंने कंप्यूटर को सिखाने के लिए "एटमिक डिस्क्रिप्टर्स" (प्रत्येक परमाणु के पड़ोस के लिए एक फिंगरप्रिंट की तरह) का उपयोग किया।

2. "रिवर्स" मॉडल: द डिटेक्टिव (जासूस)

यह क्या करता है: आप इसे इलेक्ट्रॉनिक मानचित्र (निकास) का एक चित्र देते हैं, और यह परमाणु ब्लूप्रिंट का अनुमान लगाता है।
उपमा: अब, एक जासूस की कल्पना करें। आप एक रसोई में जाते हैं और सूप की गंध लेते हैं। आप रेसिपी नहीं देखते, लेकिन गंध और बनावट के आधार पर, आप बता सकते हैं, "आह, इसमें नमक बहुत अधिक है, और प्याज बहुत बारीक कटा हुआ था।"
जादू: कंप्यूटर को हजारों सिम्युलेटेड "सूप्स" (DFT गणनाओं) पर प्रशिक्षित किया गया था। जब इसे लैब से प्राप्त एक वास्तविक प्रयोगात्मक चित्र दिखाया जाता है (भले ही वह थोड़ा धुंधला या शोर वाला हो), तो यह कह सकता है, "इस पैटर्न का अर्थ है कि परमाणु इस तरह से खिंचे हुए हैं, और यहाँ एक दोष (defect) है।"

"एटमिक फिंगरप्रिंट" (ASFs)

मुख्य नवाचार यह है कि उन्होंने डेटा का प्रतिनिधित्व कैसे किया।

पुराना तरीका: पूरी सामग्री को एक बड़े, धुंधले धब्बे के रूप में देखना।
नया तरीका: उन्होंने सामग्री को एटोमली रिजॉल्व्ड स्पेक्ट्रल फंक्शन्स (ASFs) में विभाजित किया।
उपमा: एक पूरे ऑर्केस्ट्रा को एक सिम्फनी बजाते हुए सुनने और यह अनुमान लगाने के बजाय कि कौन सा वाद्य यंत्र सुर से बाहर है, उन्होंने हर एक वायलिन वादक और ड्रमर के पास एक माइक्रोफ़ोन रखा। वे ठीक से सुन सकते हैं कि पीछे की पंक्ति में बैठा वायलिन वादक (एक आंतरिक परमाणु) किनारे वाले वायलिन वादक (एक इंटरफेस परमाणु) से कैसे अलग सुनाई देता है। यह "माइक्रोफ़ोन" दृष्टिकोण उन्हें यह सीखने में मदद करता है कि स्थानीय वातावरण संगीत को कैसे बदलता है।

"सेल्फ-चेक" लूप

सबसे शानदार बात यह है कि उन्होंने दोनों मॉडलों को एक क्लोज्ड लूप में जोड़ दिया।

जासूस एक वास्तविक प्रयोगात्मक फोटो को देखता है और परमाणु संरचना का अनुमान लगाता है।
वास्तुकार उस अनुमान को लेता है और एक नया इलेक्ट्रॉनिक मानचित्र बनाता है।
वे नए मानचित्र की मूल फोटो के साथ तुलना करते हैं। यदि वे मेल खाते हैं, तो अनुमान सही था! यदि नहीं, तो सिस्टम अपनी गलती से सीखता है।

यह एक छात्र की तरह है जो परीक्षा देता है, उत्तर कुंजी के साथ अपने उत्तरों की जाँच करता है, और तुरंत सीख जाता है कि वह कहाँ गलत था, बिना किसी शिक्षक के हस्तक्षेप के।

यह क्यों महत्वपूर्ण है

गति: यह हर नए डिजाइन के लिए पूर्ण भौतिकी सिमुलेशन चलाने की तुलना में बहुत तेज़ है।
डिजाइन: इंजीनियर अब कह सकते हैं, "मैं एक ऐसी सामग्री चाहता हूँ जो इस विशिष्ट तरीके से बिजली का संचालन करे," और रिवर्स मॉडल उन्हें बता सकता है कि उस परिणाम को पाने के लिए परमाणुओं को कैसे व्यवस्थित करना है।
समझ: यह वैज्ञानिकों को अव्यवस्थित वास्तविक दुनिया के डेटा की व्याख्या करने में मदद करता है। यदि कोई प्रयोग एक अजीब इलेक्ट्रॉनिक पैटर्न दिखाता है, तो यह टूल उन्हें बता सकता है, "ऐसा इसलिए है क्योंकि इंटरफेस पर परमाणु दबे हुए हैं," जिससे उन्हें अनुमान लगाने की ज़रूरत नहीं पड़ती।

सारांश

यह शोध पत्र कंप्यूटर को दो भाषाएँ धाराप्रवाह बोलने सिखाने के बारे में है: परमाणु संरचना और इलेक्ट्रॉनिक व्यवहार। व्यक्तिगत परमाणुओं की "बोली" को सीखकर, कंप्यूटर तुरंत आगे और पीछे अनुवाद कर सकता है, जिससे हमें एक हजार बार बनाने और तोड़ने के बजाय बेहतर कंप्यूटर चिप्स और सौर सेल डिजाइन करने की अनुमति मिलती है। यह पदार्थ विज्ञान (मटेरियल साइंस) की प्रक्रिया को एक सटीक, डेटा-संचालित बातचीत में बदल देता है।

यहाँ पिमाचेव और नेगी के शोध पत्र "Bidirectional Learning of Relationships between Atomic Environments and Electronic Band Dispersion in Semiconductor Heterostructures" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सेमीकंडक्टर हेटरोस्ट्रक्चर (जैसे Si/Ge सुपरलैटिस) इलेक्ट्रॉनिक और ऑप्टोइलेक्ट्रॉनिक उपकरणों के लिए महत्वपूर्ण हैं, जहाँ उनके गुण इलेक्ट्रॉनिक बैंड संरचनाओं द्वारा नियंत्रित होते हैं। हालाँकि, इन संरचनाओं को समझने में दो प्रमुख चुनौतियाँ आती हैं:

गणना संबंधी लागत (Computational Cost): फर्स्ट-प्रिंसिपल्स विधियाँ जैसे कि डेंसिटी फंक्शनल थ्योरी (DFT), इंटरफेस और स्ट्रेन (strain) को मॉडल करने के लिए बड़े सुपरसेल्स की आवश्यकता रखती हैं, जिससे परमाणु विन्यास (atomic configurations) का व्यवस्थित अन्वेषण गणनात्मक रूप से अत्यधिक महंगा हो जाता है।
व्याख्यात्मक अंतराल (Interpretability Gap): इलेक्ट्रॉनिक बैंड्स का विश्लेषण करने वाली मौजूदा विधियाँ (जैसे बैंड अनफोल्डिंग) अक्सर एक-दिशीय (संरचना $\to$ गुण) होती हैं या वैश्विक स्तर पर कार्य करती हैं, जो यह समझाने में विफल रहती हैं कि विशिष्ट स्थानीय परमाणु वातावरण (आंतरिक परतें बनाम इंटरफेस) विशिष्ट स्पेक्ट्रल विशेषताओं में कैसे योगदान देते हैं। इसके अलावा, इस समस्या को उल्टा (invert) करने के लिए कोई तीव्र, स्केलेबल विधि नहीं है: यानी देखे गए बैंड डिस्पर्शन चित्रों (जैसे कि ARPES) से सीधे परमाणु-स्तर की संरचनात्मक जानकारी का अनुमान लगाना।

2. कार्यप्रणाली (Methodology)

लेखक एक द्विदिश शिक्षण ढांचे (bidirectional learning framework) का प्रस्ताव करते हैं जो एटॉमिकली रिज़ॉल्व्ड स्पेक्ट्रल फंक्शन्स (ASFs) का उपयोग करके स्थानीय परमाणु वातावरण को इलेक्ट्रॉनिक बैंड डिस्पर्शन से जोड़ता है।

अ. डेटा प्रतिनिधित्व: एटॉमिकली रिज़ॉल्व्ड स्पेक्ट्रल फंक्शन्स (ASFs)

कच्चे सुपरसेल बैंड स्ट्रक्चर के बजाय, लेखक DFT-गणनाकृत इलेक्ट्रॉनिक संरचनाओं को एक सामान्य संदर्भ सेल (RC) में अनफोल्ड करते हैं ताकि स्पेक्ट्रल फंक्शन्स (SFs) उत्पन्न किए जा सकें। महत्वपूर्ण रूप से, वे इन SFs को ASFs में विघटित करते हैं, जो विशिष्ट इलेक्ट्रॉनिक अवस्थाओं के स्पेक्ट्रल वेट को व्यक्तिगत परमाणुओं पर मैप करते हैं। यह मॉडल को एक ही ब्रिलुइन ज़ोन के भीतर आंतरिक परमाणुओं और इंटरफेस परमाणुओं के योगदान के बीच अंतर करने की अनुमति देता है।

ब. फॉरवर्ड लर्निंग मॉडल (संरचना $\to$ गुण)

लक्ष्य: परमाणु-वातावरण डिस्क्रिप्टर्स से इलेक्ट्रॉनिक बैंड डिस्पर्शन (ASFs) की भविष्यवाणी करना।
इनपुट: परमाणु डिस्क्रिप्टर्स जिनमें शामिल हैं:
- तत्व की पहचान (Si बनाम Ge)।
- वोरोनोई टेसेलेशन (Voronoi tessellations) और क्रिस्टल ग्राफ से प्राप्त स्थानीय संरचनात्मक डिस्क्रिप्टर्स: प्रभावी बॉन्ड लंबाई ( $b_x, b_z$ ) और स्थानीय ऑर्डर पैरामीटर ( $Q_{order}$ )।
आउटपुट: एक निश्चित मोमेंटम-एनर्जी ग्रिड पर एटॉमिकली रिज़ॉल्व्ड स्पेक्ट्रल फंक्शन्स ( $A_p(k, E)$ )।
एल्गोरिदम: दो मॉडल प्रशिक्षित और तुलना किए गए: एक रैंडम फॉरेस्ट (RF) रिग्रेसर और एक न्यूरल नेटवर्क (NN)।
प्रशिक्षण डेटा: विभिन्न परत की मोटाई (periods) और स्ट्रेन स्तरों (0% से 2.31%) वाले Si/Ge सुपरलैटिस के लिए DFT-कम्प्यूटेड डेटा।

स. रिवर्स लर्निंग मॉडल (गुण $\to$ संरचना)

लक्ष्य: बैंड डिस्पर्शन छवियों (ASFs) से सीधे परमाणु-वातावरण डिस्क्रिप्टर्स का अनुमान लगाना।
इनपुट: ASF चित्र (मोमेंटम-एनर्जी मैप्स)।
आउटपुट: परमाणु डिस्क्रिप्टर्स (तत्व प्रकार, बॉन्ड लंबाई, ऑर्डर पैरामीटर)।
एल्गोरिदम: एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) जिसे विशेष रूप से DFT-कम्प्यूटेड ASFs पर प्रशिक्षित किया गया है।
सामान्यीकरण रणनीति (Generalization Strategy): मॉडल को प्रयोगात्मक परिवर्तनशीलता (शोर, फर्मी लेवल शिफ्ट) को संभालने के लिए डिज़ाइन किया गया है, और इसे केवल DFT डेटा पर प्रशिक्षित होने के बावजूद प्रयोगात्मक ARPES डेटा पर टेस्ट किया गया है।

द. क्लोज्ड-लूप वैलिडेशन (Closed-Loop Validation)

यह ढांचा फॉरवर्ड और रिवर्स मॉडलों को एक स्व-सुसंगत लूप बनाने के लिए जोड़ता है:

एक ASF इमेज (प्रायोगिक या DFT) इनपुट करें।
रिवर्स मॉडल परमाणु डिस्क्रिप्टर्स का अनुमान लगाता है।
फॉरवर्ड मॉडल इन डिस्क्रिप्टर्स से ASF को पुनर्गठित (reconstruct) करता है।
मूल इनपुट के साथ पुनर्गठित ASF की निरंतरता को सत्यापित करने के लिए तुलना करें।

3. मुख्य परिणाम (Key Results)

अ. ASFs से भौतिक अंतर्दृष्टि

स्ट्रेन सिग्नेचर: ASFs स्पष्ट रूप से स्ट्रेन-प्रेरित बैंड स्प्लिटिंग और सिमेट्री ब्रेकिंग को प्रकट करते हैं। मोटी परतों में आंतरिक परमाणु बल्क-जैसे गुण बनाए रखते हैं, जबकि इंटरफेस परमाणु और पतली परतें महत्वपूर्ण विचलन (कम ऑर्डर पैरामीटर, मिश्रित चरित्र) दिखाती हैं।
बैंड मिक्सिंग: जैसे-जैसे परत की मोटाई कम होती है (उदाहरण के लिए, Si $_{26}$ Ge $_{26}$ से Si $_{4}$ Ge $_{4}$ तक), मॉडल स्पष्ट बल्क-जैसे बैंडों से मजबूत हाइब्रिडाइजेशन और अवॉयड क्रॉसिंग्स (avoided crossings) के संक्रमण को कैप्चर करते हैं, जो अप्रत्यक्ष-गैप (indirect-gap) सामग्रियों में डायरेक्ट-गैप व्यवहार को इंजीनियर करने का मार्ग दर्शाता है।

ब. फॉरवर्ड मॉडल का प्रदर्शन

सामान्यीकरण: मॉडलों ने अनदेखे हेटरोस्ट्रक्चर (जैसे Si $_8$ Ge $_8$ Si $_{20}$ Ge $_{20}$ ) और बड़े-पीरियड सुपरलैटिस (Si $_{28}$ Ge $_{28}$ ) के लिए ASFs की सफलतापूर्वक भविष्यवाणी की।
सटीकता: रैंडम फॉरेस्ट मॉडल ने मिश्रित और बल्क-जैसे दोनों स्पेक्ट्रल फीचर्स को पुनरुत्पादित करने में उच्च निष्ठा (Mean Absolute Error $\le$ 0.11) प्राप्त की। न्यूरल नेटवर्क ने समग्र डिस्पर्शन को अच्छी तरह से कैप्चर किया लेकिन Ge-जैसे सूक्ष्म फीचर्स को थोड़ा कम करके दिखाया।
वैलिडेशन: जटिल, बहु-स्तरित टेस्ट मामलों के लिए सभी परमाणुओं पर अनुमानित ASFs को जोड़ने से प्राप्त कुल स्पेक्ट्रल फंक्शन्स, DFT परिणामों के काफी करीब पाए गए।

स. रिवर्स मॉडल का प्रदर्शन

डिस्क्रिप्टर अनुमान: CNN ने टेस्ट हेटरोस्ट्रक्चर के लिए परमाणु प्रजातियों, बॉड लेंथ और ऑर्डर पैरामीटर्स की सटीक भविष्यवाणी की।
- बल्क-लाइक क्षेत्र: एकता (unity) ऑर्डर पैरामीटर्स और सही बॉड लेंथ की भविष्यवाणी करने में उच्च सटीकता।
- इंटरफेस क्षेत्र: इंटरफेस ASFs की जटिलता के कारण थोड़ी अधिक त्रुटि के बावजूद, कम ऑर्डर पैरामीटर्स और स्ट्रेन विविधताओं की सफलतापूर्वक पहचान की।
प्रायोगिक सत्यापन: मॉडल ने एक Si पतली फिल्म (जो प्रशिक्षण सेट में नहीं थी) के प्रायोगिक ARPES डेटा से परमाणु डिस्क्रिप्टर्स का सफलतापूर्वक अनुमान लगाया, सही ढंग से सामग्री को Si के रूप में पहचाना और एक उच्च-सिमेट्री (रिलैक्स्ड) वातावरण की भविष्यवाणी की। इसने तनावपूर्ण (strained) Si कॉन्फ़िगरेशन में टेंसाइल स्ट्रेन की भी सही पहचान की।

द. क्लोज्ड-लूप निरंतरता

जुड़े हुए फॉरवर्ड-रिवर्स ढांचे ने स्व-सुसंगतता प्रदर्शित की। जब प्रयोगात्मक ARPES छवियों को रिवर्स मॉडल में फीड किया गया, तो अनुमानित डिस्क्रिप्टर्स का उपयोग करके फॉरवर्ड मॉडल के माध्यम से बैंड संरचना को पुनर्गठित किया गया, जिससे प्राप्त परिणाम इनपुट स्पेक्ट्रा के काफी करीब थे। यह पुष्टि करता है कि यह ढांचा छिपे हुए या कमजोर स्पेक्ट्रल फीचर्स की व्याख्या कर सकता है और उन्हें परमाणु मूल से जोड़ सकता है।

4. महत्व और प्रभाव (Significance and Impact)

इनवर्स डिज़ाइन प्रतिमान (Inverse Design Paradigm): यह कार्य इनवर्स डिज़ाइन के लिए एक स्केलेबल, डेटा-संचालित मार्ग स्थापित करता है, जिससे शोधकर्ता स्पेक्ट्रोस्कोपिक डेटा से सीधे परमाणु संरचनाओं का अनुमान लगा सकते हैं, जिससे महंगी ट्रायल-एंड-एरर प्रक्रियाओं से बचा जा सकता है।
फिजिक्स-इंफॉर्म्ड इंटरप्रिटेबिलिटी: भौतिक रूप से प्रेरित डिस्क्रिप्टर्स (वोरोनोई-आधारित) और परमाणु रूप से रिज़ॉल्व्ड रिप्रजेंटेशन का उपयोग करके, मॉडल कई ML दृष्टिकोणों की "ब्लैक बॉक्स" प्रकृति से बचता है, जो स्थानीय संरचना और इलेक्ट्रॉनिक प्रतिक्रिया के बीच स्पष्ट संबंध प्रदान करता है।
सिद्धांत और प्रयोग के बीच सेतु: DFT डेटा पर प्रशिक्षित मॉडल का उपयोग करके प्रयोगात्मक ARPES छवियों को संसाधित करने की क्षमता जटिल स्पेक्ट्रोस्कोपिक डेटा की व्याख्या करने के लिए एक शक्तिशाली उपकरण प्रदान करती है, विशेष रूप से उन प्रणालियों के लिए जहाँ कंडक्शन बैंड सीधे दृश्यमान नहीं होते (जैसे डोप्ड सेमीकंडक्टर्स)।
भविष्य के मॉडलों के लिए आधार: यह अध्ययन इलेक्ट्रॉनिक बैंड्स को "विघटनीय, सीखने योग्य वस्तुओं" के रूप में मानता है, जो विविध सामग्री प्रणालियों (Si/Ge से परे) में इलेक्ट्रॉनिक संरचना के हस्तांतरणीय, फाउंडेशन-लेवल मॉडल का मार्ग प्रशस्त करता है।

संक्षेप में, पिमाचेव और नेगी ने एक मजबूत, द्विदिश मशीन लर्निंग फ्रेमवर्क विकसित किया है जो स्थानीय परमाणु वातावरण को इलेक्ट्रॉनिक बैंड डिस्पर्शन से सफलतापूर्वक अलग और पुनः जोड़ता है, जो जटिल सेमीकंडक्टर हेटरोस्ट्रक्चर के तर्कसंगत डिजाइन और लक्षण वर्णन के लिए एक नया मार्ग प्रदान करता है।