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

A eletrônica moderna depende de interruptores minúsculos chamados transistores para processar informações. Por décadas, esses dispositivos foram feitos de silício, mas à medida que diminuem para os limites do mundo físico, os cientistas estão recorrendo a novos materiais que têm apenas alguns átomos de espessura. Um dos mais promissores é o dissulfeto de molibdênio, uma substância que forma uma folha plana, semelhante a um favo de mel. Quando moldado em um transistor, este material pode controlar o fluxo de eletricidade com uma precisão notável. No entanto, prever exatamente como essas folhas atômicas se comportarão quando forem dopadas com impurezas ou expostas a campos elétricos é incrivelmente difícil. Os métodos computacionais tradicionais que tentam simular cada ático individualmente são lentos e caros demais para serem úteis no design de dispositivos do mundo real, especialmente quando os materiais não são cristais perfeitos, mas contêm defeitos e irregularidades.

Para resolver isso, pesquisadores estão recorrendo a um tipo diferente de física e a um novo tipo de inteligência computacional. Eles estão usando um conceito chamado caos quântico, que estuda como os níveis de energia em um sistema se comportam quando o sistema é complexo e desordenado, em vez de perfeitamente organizado. Em um sistema perfeitamente ordenado, os níveis de energia são previsíveis e espaçados uniformemente. Em um sistema caótico, eles se repelem de uma maneira estatística específica. Ao medir o quão "caóticos" são os níveis de energia, os cientistas podem dizer se os elétrons no material estão se movendo livremente ou se estão presos no lugar. Para tornar essas previsões rápidas o suficiente para a engenharia, os pesquisadores combinaram essa teoria com uma rede neural, um tipo de programa de computador projetado para aprender padrões a partir de dados, de forma muito semelhante a como um cérebro humano aprende com a experiência.

Em um novo estudo, os pesquisadores Shahram Mehrmanesh e Sohrab Behnia, da Universidade de Tecnologia de Urmia, no Irã, construíram um sistema que faz a ponte entre a complexa teoria atômica e o design prático de dispositivos. Eles focaram em um tipo específico de transistor feito de dissulfeto de molibdênio que foi dopado com átomos de selênio. A dopagem é uma técnica padrão onde alguns átomos estranhos são adicionados a um material para alterar suas propriedades elétricas. A equipe queria entender como a estabilidade do dispositivo muda quando eles ajustam a voltagem, a quantidade de selênio, a temperatura e o tamanho físico do material. Em vez de executar simulações lentas e pesadas para cada combinação possível, eles primeiro usaram a teoria do caos quântico para gerar um grande conjunto de dados descrevendo como os níveis de energia no material mudavam sob diferentes condições. Eles então alimentaram esses dados em um perceptron multicamadas, um tipo específico de rede neural com várias camadas de nós de processamento, para ensinar o programa a prever o resultado de novos cenários instantaneamente.

Os resultados do trabalho deles revelam que a estabilidade desses transistores minúsculos não é um traço fixo do próprio material, mas algo que pode ser ajustado pelo ambiente. Os pesquisadores descobriram que o comportamento dos elétrons depende fortemente do tamanho do dispositivo. Em amostras muito pequenas, os elétrons tendem a ficar localizados, o que significa que estão presos em pontos específicos, o que faz o sistema se comportar de uma maneira ordenada e previsível. No entanto, à medida que o dispositivo aumenta de tamanho, os elétrons tornam-se mais livres para se mover, e o sistema muda para um estado caótico onde os níveis de energia interagem de maneiras complexas. Essa mudança não é aleatória; os pesquisadores descobriram uma regra universal que liga diretamente o tamanho do material a essa transição da ordem para o caos. Eles descobriram que as dimensões físicas do dispositivo são o fator mais dominante, superando até mesmo os detalhes específicos de quanta impureza é adicionada.

O estudo também mostrou que a adição de impurezas de selênio altera o comportamento do material de uma maneira previsível. Em baixas concentrações, os átomos de selênio atuam como armadilhas que seguram os elétrons no lugar, mantendo o sistema ordenado. Mas conforme a concentração aumenta, esses átomos começam a formar caminhos conectados, permitindo que os elétrons saltem de um para outro. Isso cria uma mudança súbita onde o material se torna mais condutivo e os níveis de energia tornam-se mais caóticos. Os pesquisadores usaram sua rede neural treinada para prever essas transições com alta precisão. Quando testaram o modelo contra dados que ele nunca havia visto antes, ele previu corretamente o comportamento do dispositivo mais de 93 por cento das vezes. Esse nível de precisão sugere que o modelo aprendeu com sucesso a física subjacente sem precisar calcular cada interação atômica individual do zero.

Uma das descobertas mais práticas envolve como o dispositivo responde à voltagem. Os pesquisadores observaram que a aplicação de um campo elétrico pode empurrar o sistema de volta a um estado mais ordenado, efetivamente acalmando o comportamento caótico. Isso é crucial para o design de transistores que precisam ligar e desligar de forma confiável. Além disso, a equipe identificou uma região específica na operação do dispositivo onde o aumento da voltagem na verdade causa a queda da corrente, um fenôismo conhecido como resistência diferencial negativa. Esse comportamento incomum, que aparece em suas simulações, é altamente valioso para a criação de osciladores e interruptores de alta velocidade que poderiam ser usados em tecnologias de comunicação futuras. O fato de seu modelo conseguir prever esse efeito complexo e não linear confirma que ele captura a física real do material.

O trabalho demonstra que o aprendizado de máquina pode servir como uma ferramenta poderosa para a ciência dos materiais, permitindo que engenheiros projetem dispositivos que sejam estáveis e eficientes sem esperar por cálculos tradicionais lentos. Ao combinar os insights teóricos profundos do caos quântico com a velocidade de reconhecimento de padrões das redes neurais, os pesquisadores criaram uma estrutura que pode testar rapidamente novos designs. Eles mostraram que, ao controlar cuidadosamente o tamanho do dispositivo, a quantidade de dopagem e a voltagem aplicada, é possível projetar as propriedades eletrônicas do dissulfeto de molibdênio para necessidades específicas. Embora o estudo tenha se baseado em simulações e modelos teóricos, a alta precisão das previsões sugere que essas descobertas são robustas e prontas para guiar a próxima geração de componentes eletrônicos. O caminho da compreensão da dança caótica dos átomos para a construção de um transistor confiável tornou-se significativamente mais claro, oferecendo uma nova maneira de navegar pelas complexidades do mundo em nanoescala.