یادگیری ماشینی به ردیابی نقص های نیمه هادی در شرایط دمایی واقعی تر کمک می کند

توسط لیزا گانرتز، دانشگاه صنعتی چالمرز

ویرایش شده توسط Sadie Harley، بررسی توسط Robert Egan

این مقاله با توجه به روند و سیاست‌های ویرایشی Science X بررسی شده است. ویراستاران ضمن اطمینان از اعتبار محتوا، ویژگی های زیر را برجسته کرده اند:

همه مواد دارای عیوب ذاتی هستند. اینها همیشه مضر نیستند، زیرا می توان از آنها برای مهندسی و معرفی خواص خاصی به یک ماده استفاده کرد. با این حال، درک نحوه عملکرد آنها و چگونگی تأثیر آنها بر خواص مواد بسیار مهم است.

برای درک و مدل‌سازی عیوب در مواد مختلف، محاسبات استاندارد محققان معمولا بر اساس صفر کلوین، منهای 273 درجه سانتی‌گراد، پایین‌ترین دمای ممکن که در آن همه اتم‌ها و مولکول‌ها کاملا ساکن هستند، انجام می‌شود. اما برای موادی که برای استفاده در محصولات دنیای واقعی و کاربردهای روزمره در نظر گرفته شده اند، دانستن نحوه رفتار آنها در دماهای معمولی ضروری است.

محققان دانشگاه فناوری چالمرز اکنون چارچوب بسیار مؤثرتری را برای محاسبه ویژگی‌های عیوب در حالی که اثرات دماهای مختلف را در نظر می‌گیرند، نشان داده‌اند که نتایجی بسیار نزدیک‌تر به واقعیت را ممکن می‌سازد. این یافته ها در مقاله ای منتشر شده در npj Computational Materials ارائه شده است.

جولیا ویکتور، استاد دپارتمان فیزیک و نجوم، گروه تحقیقاتی را رهبری می کند. کار آنها بر مطالعه و مدل سازی مواد جدید با استفاده از شبیه سازی های کامپیوتری پیشرفته و یادگیری ماشین متمرکز است.

ویکتور می‌گوید: "ما معمولا مواد را به‌عنوان کریستال‌های کامل مدل‌سازی می‌کنیم که در آن هر اتم موقعیت ثابتی را در یک شبکه اشغال می‌کند، اما مواد واقعی چندان کامل نیستند. ممکن است یک اتم وجود نداشته باشد، ممکن است یک اتم اضافی بین محل‌های شبکه وجود داشته باشد، یا ممکن است دو اتم جای خود را عوض کرده باشند. ما باید این عیوب را درک کنیم زیرا بر عملکرد و عملکرد مواد تأثیر می‌گذارند."

موادی که گروه تحقیقاتی معمولا بررسی می‌کنند عمدتا در فناوری سلول‌های خورشیدی هستند، اما این بار آنها از مجموعه گسترده‌تری از سیستم‌های معیار برای آزمایش اینکه آیا این روش می‌تواند برای سایر کلاس‌های مواد و فناوری‌های نوظهور اعمال شود یا خیر، استفاده کردند.

توبیاس هاینر، دانشجوی دکترا، می‌گوید: «ما با مطالعه یک اتم از دست رفته در ساختار بلوری و مشاهده چگونگی تأثیر دما بر رفتار این نقص نقطه، نقص‌های مواد را مدل‌سازی کردیم.

این چیزی است که اکثر مدل‌ها و شبیه‌سازی‌های مبتنی بر کلوین صفر قادر به ثبت آن نیستند و این گام مهمی به سوی درک چگونگی رفتار مواد مختلف در شرایط واقعی است. نتایج ما با مشاهدات تجربی مطابقت دارد، اما برخلاف آزمایش‌ها، ما فقط یک اندازه‌گیری اولیه و نهایی را بدست نمی‌آوریم، بلکه می‌توانیم نقص را در کل محدوده دما دنبال کنیم.»

نقص ها اغلب می توانند سطوح انرژی جدیدی را به مواد وارد کنند. به عنوان مثال، یک نیمه هادی دارای یک شکاف باند است، یعنی یک بازه انرژی بدون حالت های الکترونیکی موجود، و نقص می تواند سطوح مختلفی را در این شکاف ایجاد کند. اگر سطحی در عمق باند شکاف قرار داشته باشد، در بیشتر موارد برای برنامه ها نامطلوب است. اما اگر نزدیک‌تر به لبه شکاف نواری باشد، می‌توان آن را طوری مهندسی کرد که خواص الکتریکی نیمه‌رسانا را تنظیم کند.

Hainer توضیح می دهد: "موقعیت یک سطح نقص هنگام طراحی برنامه های کاربردی بر اساس یک ماده بسیار مهم است. اگر در کلوین صفر پیش بینی کنیم که نقص در نزدیکی لبه قرار دارد، ممکن است باور کنیم که این نقص بی ضرر یا حتی مفید است، اما اگر در دمای دیگری به عمق شکاف منتقل شود ممکن است مضر باشد یا برعکس. بنابراین موقعیت بسیار مهم است."

گروه تحقیقاتی اکنون می‌تواند روش کارآمدتری برای انجام محاسبات در دمای بالای صفر کلوین، به شیوه‌ای که عملا برای بسیاری از انواع مختلف مواد و بدون هزینه محاسباتی بیش از حد امکان‌پذیر باشد، نشان دهد.

ویکتور می گوید: "مهم ترین جنبه ای که ما بررسی کردیم این است که چگونه این سطوح انرژی مرتبط با یک اتم از دست رفته با دما تغییر می کند، و ما تغییرات بسیار قابل توجهی در چندین ماده، هم از نظر کمی و هم از نظر کیفی پیدا کردیم. این تغییرات در مدلی مبتنی بر صفر کلوین نادیده گرفته می شود. بنابراین نشان داده ایم که دما واقعا در مدل سازی اهمیت دارد و برای توصیف صحیح این سیستم ها ضروری است."

این مطالعه بخشی از تلاش‌های گسترده‌تر در دپارتمان فیزیک و ستاره‌شناسی برای استفاده از یادگیری ماشینی برای ساخت مدل‌سازی مواد دقیق‌تر و کارآمدتر است، حوزه‌ای که گروه ویکتور با گروه پروفسور پل ارهارت همکاری می‌کند.

ویکتور می‌گوید: "این واقعیت که اکنون می‌توانیم این نتایج را بگیریم، ارتباط نزدیکی با پیشرفت‌های یادگیری ماشین دارد. ده سال پیش، احتمالا نمی‌توانستیم این کار را در چنین مقیاسی انجام دهیم، زیرا محاسبات گسترده و زمان‌بر هستند. هیجان‌انگیز است که این پیشرفت‌های جدید امکان انجام مطالعاتی مانند این را به روشی جامع فراهم می‌کند."

"امید اصلی این است که این روش برای محققانی که با مشکلات مادی انضمامی سر و کار دارند، در جایی که رفتار عیوب یا اهمیت آنها ناشناخته است، مفید باشد و به آنها اجازه دهد یا با ما همکاری کنند یا خودشان از این روش استفاده کنند."

توبیاس هاینر و همکاران، تثبیت حرارتی حالات بار نقص و سطوح انتقال بار در دمای محدود، مواد محاسباتی npj (2026). DOI: 10.1038/s41524-026-02369-3 در arXiv DOI: 10.48550/arxiv.2512.15463

اطلاعات مجله: npj Computational Materials , arXiv

ارائه شده توسط دانشگاه صنعتی چالمرز

کارشناسی علوم زیستی و اکولوژی. پیشینه آزمایشگاه میکروبیولوژی با تجربه اخبار دارویی در صنایع نفت، گاز و تجدیدپذیر. نمایه کامل →

لیسانس زیست شناسی ریاضی، کارشناسی ارشد در نوشتن خلاق. خوش سفر با دیدگاه های منحصر به فرد در علم و زبان. نمایه کامل →