Beyond DFT: Quantum Chaos and Neural Networks for 2D Material Device Design

L'elettronica moderna si affida a minuscoli interruttori chiamati transistor per elaborare informazioni. Per decenni, questi dispositivi sono stati realizzati in silicio, ma mentre si restringono fino ai limiti del mondo fisico, gli scienziati si stanno rivolgendo a nuovi materiali che sono spessi solo pochi atomi. Uno dei più promettenti di questi è il disolfuro di molibdeno, una sostanza che forma un foglio piatto, simile a un nido d'ape. Quando modellato in un transistor, questo materiale può controllare il flusso di elettricità con una precisiono straordinario. Tuttavia, prevedere esattamente come questi fogli atomici si comporteranno quando vengono drogati con impurità o esposti a campi elettrici è incredibilmente difficile. I metodi informatici tradizionali, che tentano di simulare ogni singolo atomo, sono troppo lenti e costosi per essere utili alla progettazione di dispositivi reali, specialmente quando i materiali non sono cristalli perfetti ma contengono difetti e irregolarità.

Per risolvere questo problema, i ricercatori si stanno rivolgendo a un tipo diverso di fisica e a un nuovo tipo di intelligenza informatica. Stanno utilizzando un concetto chiamato caos quantistico, che studia come i livelli di energia in un sistema si comportano quando il sistema è complesso e disordinato, piuttosto che perfettamente organizzato. In un sistema perfettamente ordinato, i livelli di energia sono prevedibili e spaziati uniformemente. In un sistema caotico, essi si respingono l'un l'altro in un modo specifico e statistico. Misurando quanto siano "caotici" i livelli di energia, gli scienziati possono capire se gli elettroni nel materiale si muovono liberamente o se sono bloccati sul posto. Per rendere queste previsioni abbastanza veloci per l'ingegneria, i ricercatori hanno combinato questa teoria con una rete neurale, un tipo di programma informatico progettato per apprendere schemi dai dati, proprio come un cervello umano impara dall'esperienza.

In uno studio recente, i ricercatori Shahram Mehrmanesh e Sohrab Behnia dell'Università Tecnologica di Urmia, in Iran, hanno costruito un sistema che colma il divario tra la complessa teoria atomica e la progettazione pratica di dispositivi. Si sono concentrati su un tipo specifico di transistor realizzato in disolfuro di molibdeno che è stato drogato con atomi di selenio. Il drogaggio è una tecnica standard in cui vengono aggiunti alcuni atomi estranei a un materiale per cambiarne le proprietà elettriche. Il team voleva comprendere come cambia la stabilità del dispositivo quando si modificano il voltaggio, la quantità di selenio, la temperatura e le dimensioni fisiche del materiale. Invece di eseguire simulazioni lente e pesanti per ogni possibile combinazione, hanno prima utilizzato la teoria del caos quantistico per generare un vasto insieme di dati che descrive come i livelli di energia nel materiale si spostano sotto diverse condizioni. Hanno poi inserito questi dati in un perceptron multistrato, un tipo specifico di rete neurale con diversi strati di nodi di elaborazione, per insegnargli come prevedere istantaneamente l'esito di nuovi scenari.

I risultati del loro lavoro rivelano che la stabilità di questi minuscoli transistor non è un tratto fisso del materiale stesso, ma qualcosa che può essere regolato dall'ambiente. I ricercatori hanno scoperto che il comportamento degli elettroni dipende fortemente dalle dimensioni del dispositivo. In campioni molto piccoli, gli elettroni tendono a rimanere localizzati, il che significa che sono intrappolati in punti specifici, rendendo il sistema ordinato e prevedibile. Tuttavia, man mano che il dispositivo diventa più grande, gli elettroni diventano più liberi di muoversi e il sistema vira verso uno stato caotico in cui i livelli di energia interagiscono in modi complessi. Questo passaggio non è casuale; i ricercatori hanno scoperto una regola universale che collega direttamente la dimensione del materiale a questa transizione dall'ordine al caos. Hanno scoperto che le dimensioni fisiche del dispositivo sono il fattore dominante, superando persino i dettagli specifici di quanta impurità viene aggiunta.

Lo studio ha anche mostrato che l'aggiunta di impurità di selenio cambia il comportamento del materiale in modo prevedibile. A basse concentrazioni, gli atomi di selenio agiscono come trappole che trattengono gli elettroni in posizione, mantenendo il sistema ordinato. Ma all'aumentare della concentrazione, questi atomi iniziano a formare percorsi connessi, permettendo agli elettroni di saltare da uno all'altro. Ciò crea un cambiamento improvviso in cui il materiale diventa più conduttivo e i livelli di energia diventano più caotici. I ricercatori hanno utilizzato la loro rete neurale addestrata per prevedere queste transizioni con alta precisione. Quando hanno testato il modello contro dati che non aveva mai visto, ha previsto correttamente il comportamento del dispositivo più del 93 percento delle volte. Questo livello di accuratezza suggerisce che il modello ha appreso con successo la fisica sottostante senza dover calcolare ogni singola interazione atomica da zero.

Uno dei risultati più pratici riguarda il modo in cui il dispositivo risponde al voltaggio. I ricercatori hanno osservato che l'applicazione di un campo elettrico può spingere il sistema verso uno stato più ordinato, calmando efficacemente il comportamento caotico. Questo è fondamentale per progettare transistor che debbano accendersi e spegnersi in modo affidabile. Inoltre, il team ha identificato una regione specifica nell'operatività del dispositivo in cui l'aumento del voltaggio causa effettivamente una diminuzione della corrente, un fenomeno noto come resistenza differenziale negativa. Questo comportamento insolito, che appare nelle loro simulazioni, è altamente prezioso per la creazione di oscillatori e interruttori ad alta velocità che potrebbero essere utilizzati nelle future tecnologie di comunicazione. Il fatto che il loro modello possa prevedere questo effetto complesso e non lineare conferma che esso cattura la vera fisica del materiale.

Il lavoro dimostra che l'apprendimento automatico può servire come uno strumento potente per la scienza dei materiali, permettendo agli ingegneri di progettare dispositivi che siano stabili ed efficienti senza dover attendere i lenti calcoli tradizionali. Combinando i profondi approfondimenti teorici del caos quantistico con la velocità di riconoscimento dei pattern delle reti neurali, i ricercatori hanno creato un quadro che può testare rapidamente nuovi progetti. Hanno dimostrato che, controllando attentamente le dimensioni del dispositivo, la quantità di drogaggio e il voltaggio applicato, è possibile ingegnerizzare le proprietà elettroniche del disolfuro di molibdeno per esigenze specifiche. Sebbene lo studio si sia basato su simulazioni e modelli teorici, l'alta precisione delle previsioni suggerisce che queste scoperte sono robuste e pronte a guidare la prossima generazione di componenti elettronici. Il percorso dalla comprensione della danza caotica degli atomi alla costruzione di un transistor affidabile è diventato significativamente più chiaro, offrendo un nuovo modo per navigare nelle complessità del mondo nanometrico.