Predizendo semicondutores de Gap Ultra Largo com Machine Learning

Abstract

As investigações incipientes sobre os Semicondutores de Gap Ultra Largo (UWBG) tem motivado a construção de dispositivos para aplicações inacessíveis através dos semicondutores de gap inferior, e oferecem desafios de síntese e dopagem que estimulam novos estudos teóricos e experimentais. Esses dispositivos podem operar em alta potência, alta frequência e temperatura, e viabilizam a optoeletrônica ultravioleta. O gap desses materiais não possuem um limite mínimo bem definido na literatura, sendo relativamente superior ao gap de 3,4 eV do GaN. Enquanto o maior desenvolvimento nesse campo se deve aos materiais bulk AlGaN, Ga2O3 e o diamante, a pesquisa de semicondutores bidimensinais de gap ultra largo é ainda mais escassa e estimulada pelo já conhecido nitreto de boro hexagonal (h-BN). Este trabalho se propõe a descobrir novos materiais bidimensionais de gap ultra largo utilizando o Aprendizado de Máquina (Machine Learning). Primeiramente é realizado o processo de aprendizagem de um modelo de classificação com o intuito de categorizar os materiais em metais e isolantes. Posteriormente, um modelo de regressão aprende a prever o valor do gap dos isolantes. Após a otimização dos hiperparâmetros do modelo de classificação, a área sob a curva precisão-recall no conjunto de teste é de 0,8. Enquanto isso, o modelo de regressão apresenta erro quadrático médio (RMSE) de 0,25 eV. Por intermédio desses modelos foi possível classificar 800 novos materiais de estequiometria ABC2 e ABC4 , dos quais 266 foram previstos como isolantes. Entre os 266 materiais, 134 foram considerados UWBG. Ademais, foram sugeridos 479 sistemas de estequiometria AB2 , em que 37 são considerados UWBG. Entre eles, o CdF2 no protótipo CdI2 tem o gap confirmado por cálculos de estrutura eletrônica utilizando a Teoria do Funcional da Densidade (DFT) implementada no código Quantum Espresso.