Vändningen har tagit området för den kondenserade materiens fysik med storm. Nej, inte 1960-talets dansville som gjordes känd av Chubby Checker – den fantastiska upptäckten att två ark grafen, ett platt bikakeformat galler av kol, kan staplas och vridas i så kallade magiska vinklar för att uppvisa mycket olika egenskaper, inklusive supraledande beteende.

Sedan 2018, när den första experimentella verifieringen publicerades, forskare runt om i världen har utforskat detta snabbt växande delområde av kondenserad materiens fysik och materialvetenskap. Men när det finns miljontals olika sätt att stapla och vrida lager av tvådimensionella material som grafen, hur vet du vilken väg som kommer att ge intressanta egenskaper?

Det är där två nya forskningsartiklar från Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) och Institutionen för fysik kommer in. Första författare till publikationerna Georgios Tritsaris, en forskare vid SEAS, med forskargruppen Efthimios Kaxiras, John Hasbrouck Van Vleck professor i ren och tillämpad fysik vid institutionen för fysik och chef för Institutet för tillämpad beräkningsvetenskap i SEAS, designade ett beräkningssystem för att avskärma vridna flerskiktsgrafenstaplar för vridningsvinklar associerade med potentiellt intressanta elektroniska egenskaper.

Tillvägagångssättet kan identifiera nanostrukturer med skräddarsydda egenskaper som kan hjälpa till att påskynda utvecklingen och kommersialiseringen av kvantteknik och annan teknik.

Forskningsartiklarna publicerades i 2D-material och den Journal of Chemical Information and Modeling .

Forskningen bygger på teamets expertis inom materialmodellering och maskininlärning, och dess tidigare arbete inom detta framväxande område, heter twistronics. Termen twistronics introducerades först av Kaxiras Research Group i tidigare teoretiska studier av skiktad grafen. Det hänvisar till förmågan att ställa in de elektriska egenskaperna hos tvådimensionella material genom en rotation mellan på varandra följande lager.

"Förutom att vi ökar vår teoretiska kunskap om godtyckligt skiktad grafen, ett viktigt mål var att minimera behovet av tidskrävande, prova och missa experiment eftersom att uppnå en magisk vinkelkonfiguration i labbet förblir en mödosam strävan, " sa Tritsaris. "Vi ville utveckla ett automatiserat system som en experimentalist, ingenjör, eller kanske en algoritm, kan använda för att snabbt svara på frågan, är denna skiktade konfiguration sannolikt intressant eller inte."

Att göra det, teamet utnyttjade befintlig kunskap om dessa material. Materialets elektriska egenskaper bestäms av hur elektronernas energi genom lagren varierar som en funktion av deras rörelsemängd. En indikator på huruvida en vriden konfiguration kommer att uppvisa intressanta elektroniska fenomen eller inte är om energin hos en enskild elektron i närvaro av andra elektroner kan begränsas till ett smalt fönster, vilket ger upphov till nästan platta band i plotten av elektroniska energinivåer.

För att leta efter dessa platta band för en given konfiguration, forskarna använde en superdator för att utföra exakta beräkningar av de tillåtna energinivåerna för elektroner, kombinerat med en datorseendealgoritm som vanligtvis används i autonoma fordon för att upptäcka platta föremål som filavdelare. Forskargruppen använde metoden för att snabbt sortera genom staplar av grafen upp till tio lager.

"Genom att automatisera datainsamling och analys och använda maskininlärning för att skapa informativa visualiseringar av hela databasen, vi kunde söka efter magiska vinklar grafenstaplar i flera lager på ett resurseffektivt sätt, ", sa Tritsaris. "Vårt strömlinjeformade tillvägagångssätt är också tillämpbart på tvådimensionella skiktade material bortom grafen."

Datacentrerade tillvägagångssätt för upptäckt och optimering av material används redan inom en rad områden, inklusive inom läkemedel för att identifiera nya läkemedelsmål och inom konsumentelektronik för att hitta nya organiska lysdioder (OLED) för TV-skärmar.

"Det är inte alltid enkelt hur man bäst utnyttjar datautvinning och maskininlärning för materialforskning, eftersom forskare ofta har att göra med sparsamma och högdimensionella data, och lösningar tenderar att vara domänspecifika. Vi ville dela med oss ​​av våra resultat för att öka förtroendet för att kombinera fysikbaserade och datadrivna modeller, på ett sätt som kommer att vara intressant och användbart för forskare och teknologer inom området för tvådimensionella material, sa Tritsaris.