PREDIZENDO SEMICONDUTORES DE GAP ULTRA LARGO COM MACHINE LEARNING
Aprendizado de máquina
Band gap
Gap
C2db
Materiais bidimensionais
Aprendizado de máquina
Teoria de faixa de energia de sólidos
Física da matéria condensada
Estrututa eletrônica
Produção intelectual
Machine learning
Band gap
Gap
C2db
two-dimensional materials
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.
[Texto sem Formatação]
[Texto sem Formatação]
Document type
DissertaçãoSource
Almeida, Joseane Santos. Predizendo semicondutores de Gap Ultra Largo com Machine Learning . 2021. 142 f. Dissertação (Mestrado em Física) – Programa de Pós-Graduação em Física, Instituto de Física, Universidade Federal Fluminense, Niterói, 2021.Subject(s)
Machine learningAprendizado de máquina
Band gap
Gap
C2db
Materiais bidimensionais
Aprendizado de máquina
Teoria de faixa de energia de sólidos
Física da matéria condensada
Estrututa eletrônica
Produção intelectual
Machine learning
Band gap
Gap
C2db
two-dimensional materials