Zephyrnet-logo

Topologie en machine learning onthullen verborgen relaties in amorf silicium

Datum:

Links: correlatie tussen voorspelde waarden door de persistente homologieanalyse en testwaarden die werden geëvalueerd door simulaties. Rechts: gegevenspunten (rode en blauwe gebieden) op het persistente diagram correleerden sterk met de waarden van thermische geleidbaarheid. Een cyclus met vijf hoekpunten die in het diagram wordt weergegeven, is de minimale component van de orde op middellange afstand, en een cyclus met vier hoekpunten is de component die de orde op middellange afstand verbreekt en de thermische geleidbaarheid verlaagt. Krediet: NINS/IMS

Theoretische wetenschappers hebben topologische wiskunde en machinaal leren gebruikt om een ​​verborgen relatie te identificeren tussen structuren op nanoschaal en thermische geleidbaarheid in amorf silicium, een glasachtige vorm van het materiaal zonder herhalende kristallijne ordening.

Een studie die hun techniek beschrijft verscheen in de Tijdschrift voor Chemische Fysica.

Amorfe vaste stoffen, zoals glas, obsidiaan, was en kunststoffen, hebben geen herhaling op lange afstand, of kristallijne structuur, aan de atomen of moleculen waaruit ze zijn gemaakt. Dit staat in contrast met kristallijne vaste stoffen, zoals zout, de meeste metalen en gesteenten. Zoals ze missen bestelling op lange termijn in hun structuur, de thermische geleidbaarheid van amorfe vaste stoffen kan veel lager zijn dan een kristallijne vaste stof die uit hetzelfde materiaal bestaat.

Er kan echter nog steeds een orde op de middellange afstand zijn op de schaal van nanometers. Deze orde op middellange afstand zou de voortplanting en diffusie van atomaire trillingen, die warmte transporteren, moeten beïnvloeden. Het warmtetransport in ongeordende materialen is van bijzonder belang voor natuurkundigen vanwege het belang ervan in industriële toepassingen. De amorfe vorm van silicium wordt gebruikt in een enorm scala aan toepassingen in de moderne wereld, van zonnecellen tot beeldsensoren. Om deze reden hebben onderzoekers intensief onderzoek gedaan naar de structurele signatuur van de orde op middellange afstand in amorf silicium en hoe het zich verhoudt tot thermische geleidbaarheid.

"Voor een betere controle over toepassingen die gebruik maken van amorf silicium, staat het beheersen van de thermische eigenschappen ervan hoog op het verlanglijstje van ingenieurs", zegt Emi Minamitani, de corresponderende auteur van de studie en een theoretisch moleculair wetenschapper bij het Institute for Molecular Science in Okazaki, Japan. "Het extraheren van de structurele kenmerken op nanoschaal in amorfe volgorde, inclusief orde op middellange afstand, is een belangrijke sleutel."

Helaas hebben onderzoekers moeite gehad om deze taak uit te voeren, omdat het moeilijk is om de essentiële kenmerken op nanoschaal van ongeordende systemen te bepalen met behulp van traditionele technieken.

In experimenten is de aanwezigheid van orde op middellange afstand fysiek gedetecteerd met behulp van fluctuatie-elektronenmicroscopie, waarbij statistische analyse van verstrooiing van nanoschaalvolumes van een ongeordend materiaal betrokken is. Op theoretisch niveau is het besproken door rekening te houden met de verdeling van dihedrale hoeken (de hoek tussen twee snijdende vlakken tussen sets atomen) of door "ringstatistieken" te gebruiken. De laatste probeert de structurele kenmerken te begrijpen van de connectiviteit van atomen.

Dit is op zijn beurt gebaseerd op het gebied van de wiskunde dat bekend staat als topologie, dat eigenschappen van een object onderzoekt die niet veranderen - of "onveranderlijk" zijn - zelfs wanneer het object constant wordt uitgerekt en vervormd zonder te breken (zoals vormen geschreven op een rubberen vel). Focussen op deze topologische invariantie is nuttig voor het leveren van een kwalitatieve beschrijving, zoals de tendens van de fysische eigenschappen met betrekking tot de willekeur. Het is echter veeleisend om de atomaire structuur te bepalen die overeenkomt met een orde op middellange afstand en de fysische eigenschappen ervan alleen te voorspellen op basis van eenvoudige topologische invarianten.

Dus draaiden de onderzoekers zich om naar een opkomende techniek genaamd persistente homologie, een soort topologische data-analyse. Persistente homologie is elders gebruikt om complexe structuren te analyseren, variërend van eiwitten tot amorfe vaste stoffen. Het voordeel van deze methode is het detecteren van topologische kenmerken in gecompliceerde structuren op verschillende ruimtelijke schalen. Dit is van vitaal belang omdat de orde op middellange afstand quasi-repetitieve structuren op verschillende schalen omvat. Met behulp van deze eigenschap kunnen we de orde op middellange afstand extraheren die verborgen is onder wat anders lijkt op willekeur.

De onderzoekers bouwden computermodellen van amorf silicium door middel van klassieke moleculaire dynamica, waarbij de temperatuur van het silicium werd verhoogd tot boven het smeltpunt en vervolgens geleidelijk werd afgekoeld (uitgedoofd) tot kamertemperatuur. Verschillen in structurele kenmerken werden geïntroduceerd door de koelsnelheid te wijzigen.

Vervolgens werd voor elk model het persistente diagram berekend, de tweedimensionale visualisatie van persistente homologie. De onderzoekers concentreerden zich erop dat de diagrammen de structurele kenmerken van amorf silicium weerspiegelen. Zo construeerden ze de numerieke representatie, "descriptors" genoemd, die kunnen worden gebruikt bij machine learning. De onderzoeker ontdekte dat het persistente diagram voldeed aan het creëren van een goede descriptor voor gebruik in de machine learning-procedure, die op zijn beurt nauwkeurige voorspellingen over de thermische geleidbaarheid opleverde.

Door de persistente homologiegegevens verder te analyseren en machine learning model illustreerden de onderzoekers de voorheen verborgen relatie tussen orde op middellange afstand in amorf silicium en de thermische geleidbaarheid ervan.

De studie zou nu een weg moeten openen voor het beheersen van materiële kenmerken van amorf silicium en andere amorfe vaste stoffen door de topologie van hun nanostructuren.


Verken verder

Oorsprong van de bosonpiek in amorfe vaste stoffen


Meer informatie:
Emi Minamitani et al, Topologische descriptor van thermische geleidbaarheid in amorf Si, Het tijdschrift voor chemische fysica (2022). DOI: 10.1063 / 5.0093441

Citaat:
Topologie en machine learning onthullen verborgen relatie in amorf silicium (2022, 24 juni)
24 June 2022 opgehaald
van https://phys.org/news/2022-06-topology-machine-reveal-hidden-relationship.html

Dit document valt onder het auteursrecht. Afgezien van elke eerlijke transactie
mag worden gereproduceerd zonder de schriftelijke toestemming. De inhoud wordt alleen ter informatie verstrekt.

spot_img

Laatste intelligentie

spot_img