Skoltech 研究人员和他们来自美国和新加坡的同事创建了一个神经网络，可以帮助以受控方式调整半导体晶体，以实现电子产品的卓越性能。这为下一代芯片和太阳能电池的开发开辟了新的方向，利用可控的变形可以改变材料的动态特性。该论文发表在npj Computational Materials杂志上。

纳米级材料可以承受较大的变形。在所谓的应变状态下，由于原子间距离的变化，它们可以表现出非凡的光学、热学、电子和其他特性。应变材料的固有特性可能会发生变化，例如，半导体硅会转变为自由传导电流的材料。

此外，通过改变应变水平，人们可以根据需要改变这些特性。这个概念催生了一个完整的研究领域：弹性应变工程，或 ESE。例如，当我们用尽其他提高芯片性能的选择时，该方法可用于修改半导体的性能，为即将到来的摩尔定律极限提供潜在的解决方法。另一种可能的应用在于太阳能电池开发领域。正如来自 Skoltech 的研究合著者 Alexander Shapeev 所解释的那样，人们可以设计一种具有可调特性的太阳能电池，可以根据需要进行更改，以最大限度地提高性能并适应外部环境。

在他们之前的工作中，Skoltech Ph.D. 研究生 Evgenii Tsymbalov、副教授 Alexander Shapeev 和他们的同事使用 ESE 将纳米级金刚石针从绝缘转变为高导电性和金属状，从而深入了解这项技术的可能性范围。现在，该团队引入了一种卷积神经网络架构，可以指导半导体的 ESE 工作。

“我们设计的神经网络将应变张量作为输入并预测电子能带结构——描述应变材料电子特性的物理‘快照’。然后它可用于计算任何感兴趣的特性，包括带隙、它的特性和电子有效质量张量，”Shapeev 说。

这项工作继续先前的研究并对其进行了扩展。“我们通过为 ESE 任务设计和实施基于卷积神经网络架构的定制模型，超越了以前使用的方法，”Tsymbalov 说。“我们还考虑了物理特性和对称性以改进模型。”

该方法结合了各种数据源，例如，计算便宜但不准确的数据源与精确但昂贵的数据源，以提高模型的准确性和收敛性。“另一个显着特征是主动学习——我们允许模型猜测哪些数据可能在下一个训练阶段最有用，并将其用于训练。在最后阶段，网络在一组计算成本高的数据集上进行训练来自非常准确的基于 GW 的计算的数据，这个过程使我们能够减少所需的计算量，”Tsymbalov 补充道。

该团队指出，与最先进的解决方案相比，其新的神经网络“在促进结晶固体电子能带结构的自主深度学习方面更加通用、准确和高效”。这使得它在应变空间内的搜索和优化时更快、更准确，从而为给定的品质因数产生最佳应变值。

在他们早期的工作中，研究人员在重复的钻石原位实验场景中测试了模型的先前迭代。“唉，目前还没有可以用任意 6D 变形张量使钻石变形的设备，但有团队和实验室从实验的角度追求这个方向，”Tsymbalov 评论道。

这项研究是 Skoltech、麻省理工学院和南洋理工大学之间多年合作的一部分，Skoltech 科学家专注于计算和机器学习方面，他们的同事负责这项工作的物理部分。“我们目前正在研究下一篇论文，该论文致力于可容许弹性应变的边界。这是一个重要的课题，因为 ESE 的安全弹性变形的理论极限尚未发现，”研究人员总结道。