Rede neural altera propriedades de semicondutores para criar chip mais eficiente
Por Gustavo Minari | Editado por Douglas Ciriaco | 15 de Julho de 2021 às 17h40
Pesquisadores do Instituto Skoltech, na Rússia, em parceria com cientistas do MIT, nos EUA, e da Universidade de Nanyang, em Singapura, desenvolveram uma rede neural que pode alterar as propriedades de cristais semicondutores em tempo real. A nova técnica permite a criação de chips e células solares mais eficientes por meio da deformação controlável dos materiais.
- O que é a Lei de Moore?
- Dispositivo com apenas 2 átomos de espessura pode adiar o fim da Lei de Moore
- Saiba o que são computadores quânticos e porque eles são melhores
Substâncias em nanoescala podem suportar grandes deformações, exibindo propriedades ópticas, térmicas e eletrônicas distintas devido a mudanças nas distâncias interatômicas. Esses materiais tensionados podem transformar, por exemplo, o silício semicondutor em um elemento que conduz eletricidade livremente.
Os cientistas acreditam que, ao variar o nível de deformação, seja possível também alterar algumas propriedades sob demanda. “Essa abordagem pode ser usada, por exemplo, para modificar o desempenho de semicondutores, fornecendo uma solução alternativa para o limite iminente da Lei de Moore, quando esgotamos outras opções para aumentar a atuação de um chip”, explica o professor de engenharia do Instituto Skoltech Evgenii Tsymbalov, autor principal do estudo.
Engenharia de deformação elástica
Conhecida como ESE (elastic strain engineering), essa técnica foi usada anteriormente pelos pesquisadores para transformar agulhas de diamante isolantes em um material altamente condutivo, semelhante ao metal. Com a utilização de uma arquitetura de rede neural convolucional, a ideia é criar semicondutores com propriedades que se adaptem conforme a necessidade.
“A rede neural que projetamos pega o tensor de deformação como uma entrada e prevê a estrutura da banda eletrônica — uma imagem física que descreve as propriedades eletrônicas de um material tensionado. Ela pode então ser usada para calcular quaisquer propriedades de interesse, como o tensor de massa efetiva de elétrons”, explica o professor de ciência da computação do Instituto Skoltech Alexander Shapeev, coautor do estudo.
Essa rede neural combina várias fontes de dados para aumentar a precisão e a convergência do modelo ideal. Ela também possui um sistema de aprendizado ativo, permitindo que o dispositivo “adivinhe” quais informações são úteis para alcançar o próximo estágio. Esse método reduz consideravelmente a quantidade de dados necessários para realizar uma determinada tarefa.
Aplicações
Além de semicondutores mais eficientes e adaptáveis, as redes neurais em conjunto com a técnica de engenharia de deformação elástica podem ser aplicadas na fabricação de células fotovoltaicas com propriedades ajustáveis, que poderiam ser alteradas sob demanda para maximizar o desempenho e se adaptar às condições climáticas.
Com uma nova rede neural mais versátil e eficiente, os pesquisadores conseguiram aumentar a capacidade de aprendizado profundo autônomo de toda a estrutura de banda eletrônica de sólidos cristalinos, como o silício. Esse fator torna o processo de otimização do espaço de deformação mais rápido e preciso, permitindo a criação dos dispositivos da próxima geração.
“No momento, estamos trabalhando nos limites das deformações elásticas admissíveis. É um tópico importante, pois esses limites teóricos ainda não foram descobertos. Infelizmente, ainda não há nenhum dispositivo que possa deformar um diamante com um tensor de deformação 6D, mas há equipes e laboratórios em busca dessa meta”, conclui o professor Evgenii Tsymbalov.