토폴로지 및 기계 학습은 비정질 실리콘의 숨겨진 관계를 나타냅니다.

토폴로지 및 기계 학습은 비정질 실리콘의 숨겨진 관계를 나타냅니다.
날짜:
2022년 6월 24일
원천:
국립 자연 과학 연구소
요약:
나노 스케일 구조와 물리적 특성 간의 관계에 대한 컴퓨터 학습 지원 발견과 계산 토폴로지 덕분에 태양 전지 및 이미지 센서와 같은 기술에 사용되는 비정질 실리콘의 열전도율을 미세 조정하는 것이 훨씬 쉬워질 것입니다.

이론 과학자들은 반복되는 결정질 순서가 없는 유리질 형태의 물질인 비정질 실리콘에서 나노 규모 구조와 열전도율 사이의 숨겨진 관계를 식별하기 위해 위상 수학 및 기계 학습을 사용했습니다.

그들의 기술을 설명하는 연구는 6월 23일 Journal of Chemical Physics 에 게재되었습니다.

유리, 흑요석, 왁스 및 플라스틱과 같은 무정형 고체는 원자 또는 분자에 대해 장거리 반복 또는 결정 구조가 없습니다. 이것은 소금, 대부분의 금속 및 암석과 같은 결정질 고체와 대조됩니다. 그들은 구조에서 장거리 질서가 없기 때문에 비정질 고체의 열전도율은 동일한 물질로 구성된 결정질 고체보다 훨씬 낮을 수 있습니다.

그러나 여전히 나노미터 규모의 중간 범위 주문이 있을 수 있습니다. 이 중간 범위의 질서는 열을 운반하는 원자 진동의 전파 및 확산에 영향을 미칠 것입니다. 무질서한 물질의 열전달은 산업적 응용에서의 중요성 때문에 물리학자들에게 특별한 관심거리입니다. 비정질 형태의 실리콘은 태양 전지에서 이미지 센서에 이르기까지 현대 세계의 광범위한 응용 분야에서 사용됩니다. 이러한 이유로 연구자들은 비정질 실리콘에서 중거리 차수의 구조적 특징과 이것이 열전도율과 어떻게 관련되는지 집중적으로 조사했습니다.

연구의 교신 저자이자 오카자키에 있는 분자 과학 연구소의 이론 분자 과학자인 Emi Minamitani는 "결정질 실리콘을 사용하는 응용 분야를 더 잘 제어하기 위해 열 특성을 제어하는 ​​것이 엔지니어의 희망 사항 중 하나입니다."라고 말했습니다. 일본. "중거리 차수를 포함하는 비정질에서 나노 크기의 구조적 특성을 추출하는 것이 중요한 열쇠입니다."

불행히도 연구자들은 전통적인 기술을 사용하여 무질서한 시스템의 필수 나노 규모 기능을 결정하기 어렵기 때문에 이 작업을 수행하는 데 어려움을 겪었습니다.

실험에서 중간 범위 질서의 존재는 무질서한 물질의 나노 규모 부피로부터의 산란에 대한 통계적 분석을 포함하는 변동 전자 현미경을 사용하여 물리적으로 감지되었습니다. 이론적 수준에서는 2면각(원자 집합 사이의 교차하는 두 평면 사이의 각도)의 분포를 고려하거나 '고리 통계'를 사용하여 논의되었습니다. 후자는 원자의 연결에서 구조적 특성을 이해하려고 시도합니다.

이것은 차례로 물체가 깨지지 않고 계속 늘어나거나 변형되는 경우에도(예: 위에 쓰여진 모양과 같이) 변하지 않거나 '불변'인 물체의 속성을 조사하는 토폴로지로 알려진 수학 분야를 활용합니다. 고무 시트). 이러한 위상 불변성에 초점을 맞추는 것은 임의성에 대한 물리적 특성의 경향과 같은 정성적 설명을 전달하는 데 유용합니다. 그러나 중거리 차수에 해당하는 원자 구조를 결정하고 단순한 위상 불변성만으로 그 물리적 특성을 예측하는 것이 요구되고 있습니다.

그래서 연구원들은 위상 데이터 분석의 한 유형인 영구 상동성(persistent homology)이라는 새로운 기술로 전환했습니다. 영구 상동성은 단백질에서 무정형 고체에 이르는 복잡한 구조를 분석하기 위해 다른 곳에서 사용되었습니다. 이 방법의 이점은 서로 다른 공간 규모에서 복잡한 구조의 토폴로지 특징을 감지하는 데 있습니다. 이것은 중간 범위의 질서가 다양한 규모의 준반복적 구조를 포함하기 때문에 중요합니다. 이 특성을 사용하여 무작위로 나타나는 것 아래에 숨겨진 중간 범위 순서를 추출할 수 있습니다.

연구원들은 실리콘의 온도를 융점 이상으로 증가시킨 다음 실온으로 점진적으로 냉각(급냉)하는 고전적인 분자 역학에 의해 비정질 실리콘의 계산 모델을 구축했습니다. 냉각 속도를 변경하여 구조적 특성의 차이를 도입했습니다.

그런 다음 각 모델에 대해 영속적 상동성을 2차원 시각화한 영속 다이어그램을 계산했습니다. 연구원들은 다이어그램이 비정질 실리콘의 구조적 특징을 반영한다는 점에 집중했습니다. 따라서 그들은 기계 학습에 사용할 수 있는 '설명자'라는 숫자 표현을 구성했습니다. 연구원은 영구 다이어그램이 기계 학습 절차에 사용하기 위한 좋은 설명자의 생성을 충족했으며, 결과적으로 열전도율에 대한 정확한 예측을 달성했음을 발견했습니다.

영구 상동성 데이터와 기계 학습 모델을 추가로 분석함으로써 연구원들은 비정질 실리콘의 중간 범위 질서와 열전도율 사이의 이전에 숨겨진 관계를 설명했습니다.

이 연구는 이제 나노구조의 토폴로지를 통해 비정질 실리콘 및 기타 비정질 고체의 재료 특성을 제어할 수 있는 길을 열어야 합니다.