KI bringt Materialforschung für Nanoelektronik voran
Die zukünftige Elektronik ben?tigt miniaturisierte und multifunktionale elektronische Bauteile, die ohne komplexe Materialkombinationen realisiert werden k?nnen. Dom?nenw?nde stehen hierbei im Fokus der Materialforschung, da diese W?nde Grenzfl?chen auf Nanometerskala zwischen Bereichen gleichm??iger Orientierungen, z.B. ferroelektrische Polarisation, darstellen. ? Die ferroelektrische Polarisation bildet typischerweise aufgrund der Kristallstruktur elektrische Dipole aus, die im Mikrometerbereich in sogenannten Dom?nen ordnen. An der Grenzfl?che von Dom?nen, also den ferroelektrischen Dom?nenw?nden, kommt es durch das Aufeinandertreffen von unterschiedlichen ferroelektrischen Polarisationsrichtungen zu einem Zoo an interessanten elektronischen Eigenschaften, wie die Ausbildung von Dioden, memristiver Schalter oder Kapazit?ten. All diese Eigenschaften sind m?gliche integrale Bauteile für die Nanoelektronik und in diesen Dom?nenw?nden mit der lokalen Leitf?higkeit und deren Transporteigenschaften eng verknüpft. Ein prominentes Beispiel, welches in Kooperation mit der Gruppe von Prof. Dennis Meier an der NTNU in Trondheim in Augsburg am Lehrstuhl Experimentalphysik V intensiv erforscht wird, ist das hexagonale Manganat ErMnO3, welches besonders robuste und gleichzeitig kontrollierbare Dom?nenw?nde aufzeigt. Trotz gro?er Fortschritte in Experiment und Theorie ist man bis jetzt noch nicht über die reine Grundlagenforschung von solchen Dom?nenwand-basierten Bauteilen hinausgekommen. Die zuverl?ssige Charakterisierung auftretender elektronischen Eigenschaften und ihrer Transportph?nomene bleibt aufgrund der Nanometerskala eine experimentelle Herausforderung. ? Hier setzt nun unser neuer Ansatz in Kooperation mit den Gruppen um Prof. Dennis Meier (NTNU Trondheim, Norwegen) und Prof. Joshua Agar (Lehigh Universit?t, USA)?an, ein neuronales Netzwerk zu nutzen um lokale Transportph?nomene zu verstehen und dadurch die lokalen Materialeigenschaften gezielt zu optimieren.? In der Ver?ffentlichung "Application of a long short- term memory for deconvoluting conductance contributions at charged ferroelectric domain walls“?erschienen in Computational Materials der Nature Partner Journals, zeigen wir einen solchen auf einem?neuronalen Netzwerk basierende Analyse, die es uns erm?glicht, extrinsische Signale, die sich auf den Kontakt zwischen Spitze eines Rasterkraftmikroskops und Probe beziehen, zu isolieren und sie von dem gewünschten intrinsischen Transportverhalten zu trennen, das mit den ferroelektrischen Dom?nenw?nden verbunden ist. Unsere Arbeit erweitert maschinell Lern-unterstützte Rastersondenmikroskopie-Studien auf den Bereich lokaler Leitf?higkeitsmessungen, verbessert die Extraktion physikalischer Leitungsmechanismen und die Trennung st?render Stromsignale. "Diese Methode“, so PD Dr. Stephan Krohns, "macht es uns m?glich effizienter und umfassender die experimentellen Daten auszuwerten und somit schneller einen Schritt in Richtung Dom?nenwand basierter Nanoelektronik zu machen." ?Ferroelektrische Dom?nenw?nde
Neue Erkenntnisse
Nature Publikation
Wissenschaftlicher Ansprechpartner