Исследователи Сколтеха и их коллеги из США и Сингапура создали нейронную сеть, с помощью которой можно настраивать свойства полупроводниковых кристаллов и получать компоненты для электроники с непревзойденными характеристиками. Эта работа открывает новое направление в разработке микросхем и солнечных элементов следующего поколения за счет использования контролируемой деформации, с помощью которой можно буквально «на лету» менять свойства материала.
Сколтех
# алмаз
# машинное обучение
# Нейронная сеть
# полупроводники
# электроника будущего
Метод управления деформацией полупроводников приблизит создание электроники следующего поколения / ©Getty images
Статья с описанием результатов исследования опубликована в журнале npj Computational Materials. Наноматериалы довольно успешно выдерживают интенсивные деформации. Находясь в деформированном состоянии, они проявляют необычные оптические, тепловые, электронные и другие свойства, связанные с изменениями в межатомных расстояниях. Деформация может также изменять проводимость материала: например, известный полупроводниковыми свойствами кремний в деформированном состоянии превращается в эффективный проводник.
Кроме того, оказалось, что свойства материала можно менять по мере необходимости, варьируя степень деформации. Эта концепция положила начало целому направлению исследований − инжинирингу упругих деформаций (ESE). Новый подход может стать выходом из положения по мере неуклонного приближения предела эффективности микросхем по закону Мура.
Еще одна область, в которой можно использовать данный метод – разработка солнечных элементов. «Это позволяет создавать элементы с настраиваемыми свойствами, которые можно менять по мере необходимости для максимизации производительности и адаптации к внешним условиям», – поясняет соавтор исследования Александр Шапеев.
В своей предыдущей работе выпускник аспирантуры и постдок Сколтеха Евгений Цымбалов, доцент Сколтеха Александр Шапеев и их коллеги с помощью метода ESE преобразовали алмазные наноиглы из изолятора в высокопроводящий металлоподобный материал, что свидетельствует о широких прикладных возможностях технологии. В своем новом исследовании ученые представили архитектуру сверточной нейронной сети, которая позволяет применять методы ESE для полупроводников.
«Созданная нами нейронная сеть использует в качестве входных данных тензор деформации и предсказывает электронную зонную структуру − это своего рода физический „снимок“, описывающий электронные свойства деформированного материала. Его можно использовать для расчета любых представляющих интерес свойств, включая ширину запрещенной зоны, ее свойства и тензор эффективных масс электрона», − поясняет Шапеев.
Эта работа продолжает и развивает предыдущие исследования. «Мы уже вышли за рамки использовавшихся ранее подходов. Нами разработана и внедрена специальная модель на основе архитектуры сверточной нейронной сети для решения задач ESE, − отмечает Цымбалов. – Для улучшения работы модели мы также учитываем физические свойства и симметрии».
В целях повышения точности и сходимости модели в предложенном методе используются различные источники данных: с одной стороны, это данные, не затратные в вычислительном отношении, но имеющие низкую точность, а с другой – вычислительно затратные, но точные.
«Еще одна отличительная особенность метода − активное обучение: наша модель самостоятельно определяет, какие данные целесообразнее всего получить на следующем этапе обучения, а затем обучается на них. На заключительном этапе сеть обучается на наборе вычислительно затратных данных, полученных методом точных GW-вычислений. С помощью этой процедуры нам удается уменьшить количество необходимых вычислений», − рассказывает Евгений Цымбалов.
Исследователи отмечают, что по сравнению с другими современными решениями созданная ими нейронная сеть «более универсальна, точна и эффективна с точки зрения обеспечения возможности автономного глубокого обучения применительно к электронной зонной структуре кристаллических твердых тел», что обеспечивает более высокую скорость и точность метода при поиске и оптимизации в пространстве деформации и, следовательно, получение оптимальных значений деформации для заданных показателей качества.
В предыдущей работе ученые протестировали более раннюю версию модели в серии экспериментов in situ с алмазом. «К сожалению, пока не придумано устройства, которое могло бы деформировать алмаз с произвольным тензором деформации в 6D, но некоторые научные коллективы и лаборатории уже ведут экспериментальные разработки в этом направлении», − комментирует Евгений Цымбалов.
Работа проводилась в рамках многолетнего сотрудничества между Сколтехом, Массачусетским технологическим институтом (США) и Наньянским технологическим университетом (Сингапур). В ходе проекта ученые Сколтеха занимались в основном вычислительными задачами и методами машинного обучения, а их зарубежные коллеги отвечали за физические аспекты исследования.
«Сегодня мы работаем над следующей статьей, в которой будут рассмотрены границы допустимых упругих деформаций. Важность этой темы обусловлена тем, что теоретические пределы безопасной упругой деформации для ESE пока еще не определены», − отмечает в заключение Евгений Цымбалов.
Источник: