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

Moderne elektronica vertrouwt op minuscule schakelaars genaamd transistors om informatie te verwerken. Decennialang zijn deze apparaten gemaakt van silicium, maar naarmate ze krimpen tot de grenzen van de fysieke wereld, wenden wetenschappers zich tot nieuwe materialen die slechts enkele atomen dik zijn. Een van de meest veelbelovende hiervan is molybdeendisulfide, een substantie die een platte, honingraatachtige laag vormt. Wanneer dit materiaal wordt gevormd tot een transistor, kan het de stroom van elektriciteit met opmerkelijke precisie regelen. Het is echter extreem moeilijk om precies te voorspellen hoe deze atomaire lagen zich zullen gedragen wanneer ze worden gedoteerd met onzuiverheden of worden blootgesteld aan elektrische velden. Traditionele computermethoden die proberen elk afzonderlijk atoom te simuleren, zijn te traag en te duur om bruikbaar te zijn voor het ontwerpen van realistische apparaten, vooral wanneer de materialen geen perfecte kristallen zijn maar defecten en onregelmatigheden bevatten.

Om dit op te lossen, wenden onderzoekers zich tot een ander soort fysica en een nieuw soort computerintelligentie. Ze gebruiken een concept genaamd kwantumchaos, dat bestudeert hoe energieniveaus in een systeem zich gedragen wanneer het systeem complex en wanordelijk is, in plaats van perfect georganiseerd. In een perfect geordend systeem zijn energieniveaus voorspelbaar en gelijkmatig verdeeld. In een chaotisch systeem stoten ze elkaar op een specifieke, statistische manier af. Door te meten hoe "chaotisch" de energieniveaus zijn, kunnen wetenschappers zien of de elektronen in het materiaal vrij bewegen of dat ze op hun plaats vastzitten. Om deze voorspellingen snel genoeg te maken voor engineering, combineerden de onderzoekers deze theorie met een neuraal netwerk, een type computerprogramma dat ontworpen is om patronen uit gegevens te leren, vergelijkbaar met hoe een menselijk brein leert van ervaring.

In een nieuwe studie hebben onderzoekers Shahram Mehrmanesh en Sohrab Behnia van de Urmia University of Technology in Iran een systeem gebouwd dat de kloof overbrugt tussen complexe atomische theorie en praktisch apparaatontwerp. Ze richtten zich op een specif kind van transistor gemaakt van molybdeendisulfide dat is gedoteerd met seleniumatomen. Doteren is een standaardtechniek waarbij een paar vreemde atomen aan een materiaal worden toegevoegd om de elektrische eigenschappen te veranderen. Het team wilde begrijpen hoe de stabiliteit van het apparaat verandert wanneer ze de spanning, de hoeveelheid selenium, de temperatuur en de fysieke grootte van het materiaal aanpassen. In plaats van langzame, zware simulaties uit te voeren voor elke mogelijke combinatie, gebruikten ze eerst de kwantumchaostheorie om een grote dataset te genereren die beschrijft hoe de energieniveaus in het materiaal verschuiven onder verschillende omstandigheden. Vervolgens voedden ze deze gegevens aan een multilayer perceptron, een specifiek type neuraal netwerk met meerdere lagen verwerkingsknooppunten, om het te leren de uitkomst van nieuwe scenario's direct te voorspellen.

De resultaten van hun werk laten zien dat de stabiliteit van deze minuscule transistors geen vaste eigenschap van het materiaal zelf is, maar iets dat kan worden afgestemd door de omgeving. De onderzoekers ontdekten dat het gedrag van de elektronen sterk afhangt van de grootte van het apparaat. In zeer kleine monsters hebben de elektronen de neiging om gelokaliseerd te blijven, wat betekent dat ze op specifieke plaatsen gevangen zitten, waardoor het systeem zich op een ordelijke, voorspelbare manier gedraagt. Echter, naarmate het apparaat groter wordt, worden de elektronen vrijer om te bewegen en verschuift het systeem naar een chaotische staat waarin de energieniveaus op complexe manieren met elkaar interageren. Deze verschuiving is niet willekeurig; de onderzoekers ontdekten een universele regel die de grootte van het materiaal direct koppelt aan deze overgang van orde naar chaos. Ze ontdekten dat de fysieke afmetingen van het apparaat de meest dominante factor zijn, die zelfs de specifieke details van de toegevoegde onzuiverheid overtreft.

De studie toonde ook aan dat het toevoegen van seleniumonzuiverheden het gedrag van het materiaal op een voorspelbare manier verandert. Bij lage concentraties fungeren de seleniumatomen als vallen die elektronen op hun plaats houden, waardoor het systeem geordend blijft. Maar naarmate de concentratie toeneemt, beginnen deze atomen verbonden paden te vormen, waardoor elektronen van de een naar de ander kunnen springen. Dit creëert een plotselinge verschuiving waarbij het materiaal geleidender wordt en de energieniveaus chaotischer worden. De onderzoekers gebruikten hun getrainde neurale netwerk om deze overgangen met hoge nauwkeurigheid te voorspellen. Toen ze het model testten tegen gegevens die het nog nooit eerder had gezien, voorspelde het het gedrag van het apparaat in meer dan 93 procent van de gevallen correct. Dit niveau van nauwkeurigheid suggereert dat het model succesvol de onderliggende fysica heeft geleerd zonder elke afzonderlijke atomaire interactie vanaf nul te hoeven berekenen.

Een van de meest praktische bevindingen betreft hoe het apparaat reageert op spanning. De onderzoekers observeerden dat het aanleggen van een elektrisch veld het systeem terug kan duwen naar een meer geordende staat, wat het chaotische gedrag effectief kalmeert. Dit is cruciaal voor het ontwerpen van transistors die betrouwbaar aan- en uitgeschakeld moeten kunnen worden. Bovendien identificeerde het team een specifiek gebied in de werking van het apparaat waar het verhogen van de spanning er eigenlijk voor zorgt dat de stroom afneemt, een fenomeen dat bekend staat als negatieve differentiële weerstand. Dit ongebruikelijke gedrag, dat in hun simulaties verschijnt, is zeer waardevol voor het creëren van hogesnelheidsoscillatoren en schakelaars die gebruikt kunnen worden in toekomstige communicatietechnologieën. Het feit dat hun model dit complexe, niet-lineaire effect kan voorspellen, bevestigt dat het de werkelijke fysica van het materiaal vastlegt.

Het werk laat zien dat machine learning kan dienen als een krachtig instrument voor materiaalkunde, waardoor ingenieurs apparaten kunnen ontwerpen die stabiel en efficiënt zijn zonder te wachten op trage, traditionele berekeningen. Door de diepe theoretische inzichten van kwantumchaos te combineren met de patroonherkenningssnelheid van neurale netwerken, hebben de onderzoekers een kader gecreëerd dat nieuwe ontwerpen snel kan testen. Ze toonden aan dat door de grootte van het apparaat, de hoeveelheid dotering en de toegepaste spanning zorgvuldig te controleren, het mogelijk is om de elektronische eigenschappen van molybdeendisulfide voor specifieke behoeften te ontwerpen. Hoewel de studie steunde op simulaties en theoretische modellen, suggereert de hoge nauwkeurigheid van de voorspellingen dat deze bevindingen robuust zijn en klaar zijn om de volgende generatie elektronische componenten te begeleiden. De weg van het begrijpen van de chaotische dans van atomen naar het bouwen van een betrouwbare transistor is aanzienlijk duidelijker geworden, wat een nieuwe manier biedt om de complexiteit van de nanoschaalwereld te navigeren.