Predizendo semicondutores de Gap Ultra Largo com Machine Learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorVenezuela, Pedro Paulo de Mello-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8358755068997419-
Autor(es): dc.contributorCosta, Marcio Jorge Teles da-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8290520665676688-
Autor(es): dc.contributorVenezuela, Pedro Paulo de Mello-
Autor(es): dc.contributorhttp://lattes.cnpq.br/8358755068997419-
Autor(es): dc.contributorLima, Felipe David Crasto de-
Autor(es): dc.contributorhttp://lattes.cnpq.br/9880708237035161-
Autor(es): dc.contributorDalpian, Gustavo Martini-
Autor(es): dc.contributorhttp://lattes.cnpq.br/5205312713550726-
Autor(es): dc.contributorAmorim, Rodrigo Garcia-
Autor(es): dc.contributorhttp://lattes.cnpq.br/0616474769970457-
Autor(es): dc.contributorhttp://lattes.cnpq.br/6501484033406439-
Autor(es): dc.creatorAlmeida, Joseane Santos-
Data de aceite: dc.date.accessioned2024-07-11T17:42:26Z-
Data de disponibilização: dc.date.available2024-07-11T17:42:26Z-
Data de envio: dc.date.issued2023-06-02-
Data de envio: dc.date.issued2023-06-02-
Fonte completa do material: dc.identifierhttp://app.uff.br/riuff/handle/1/29042-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/755809-
Descrição: dc.descriptionAs 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.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior-
Descrição: dc.descriptionIncipient investigations on Ultrawide-Bandgap Semiconductors (UWBG) have motivated the construction of devices for applications inaccessible through narrower-bandgap semiconductors, and offer synthesis and doping challenges that stimulate new theoretical and experimental studies. These devices can operate at high power, frequency, temperature, and make UV optoelectronics possible. The bandgap of these materials does not have a well-defined minimum limit in the literature, being relatively higher than the GaN bandgap of 3.4 eV. While the greatest development in this field is due to the bulk materials AlGaN, Ga2O3 and diamond, the research of two-dimensional ultrawide-bandgap semiconductors is even scarcer and stimulated by the already known hexagonal boron nitride (h -BN). This work proposes to discover new two-dimensional ultrawide-bandgap materials using Machine Learning. First, the learning process of a classification model is performed in order to categorize materials into metals and insulators. Subsequently, a regression model learns to predict the bandgap value of insulators. After optimizing the hyperparameters of the classification model, the area under the precision-recall curve in the test set is 0.8. Meanwhile, the regression model has a mean square error (RMSE) of 0.25 eV. Through these models, it was possible to classify 800 new materials, and 266 were predicted to be insulators. Among the 266 materials, 134 were considered UWBG. Furthermore, 479 AB2 stoichiometry systems were suggested and 37 of them was considered UWBG. Among them, the CdF2 in the CdI2 prototype has band gap confirmed by electronic structure calculations using the Density Functional Theory (DFT) implemented in the Quantum Espresso code.-
Descrição: dc.description142 p.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsOpen Access-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectBand gap-
Palavras-chave: dc.subjectGap-
Palavras-chave: dc.subjectC2db-
Palavras-chave: dc.subjectMateriais bidimensionais-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectTeoria de faixa de energia de sólidos-
Palavras-chave: dc.subjectFísica da matéria condensada-
Palavras-chave: dc.subjectEstrututa eletrônica-
Palavras-chave: dc.subjectProdução intelectual-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectBand gap-
Palavras-chave: dc.subjectGap-
Palavras-chave: dc.subjectC2db-
Palavras-chave: dc.subjecttwo-dimensional materials-
Título: dc.titlePredizendo semicondutores de Gap Ultra Largo com Machine Learning-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.