23958

PHY2 790

كارشناسي ارشد

فيزيك - فيزيك ماده چگال

فيزيك

1403/06/28

132 ص.

سعيد جلالي اسدآبادي

نظريه تابعي چگالي , فاز بري , پتانسيل كامل , قطبش خود‌به‌خودي , تقريب شيب تعميم يافته , GGA+U , شبكه‌هاي عصبي مصنوعي , يادگيري عميق , فشار هيدرواستاتيك

در سال‌هاي اخير، توجه به دستگاه‌هاي ساخته‌شده از مواد بس‌فروئيك به طور چشم‌گيري افزايش يافته است. در اين پژوهش موادي مانند فريت بيسموت (BiFeO3)كه يك ماده بس‌فروئيك است، تنگستن دي تلورايد (WTe2) كه يك نيمه فلز ويل است، و آلومينيوم نيتريد (AlN) كه يك ماده با ساختار وورتزيت است، مورد بررسي قرار گرفته‌اند. با توجه به افزايش توجه اخير به فلزات با قابليت فروالكتريك، در اين پژوهش از WTe2 به‌عنوان يك فلز فروالكتريك استفاده شده است. از آنجا كه قطبش الكتريكي يكي از ويژگي‌هاي كليدي در فيزيك و مهندسي محسوب مي‌شود، تمركز ما بر محاسبه قطبش الكتريكي براي مواد مختلف بوده است. براي ساختار BiFeO3، چينش اسپيني پادفرومغناطيس نوع G در نظر گرفته شد، كه نظم اين چينش براي اتم‌هاي آهن (Fe) در اين ساختار اهميت زيادي دارد. با استفاده از تقريب GGA+U و انتخاب پتانسيل هابارد برابر با حدود 4 الكترون‌ولت، قطبش الكتريكي خودبه‌خودي محاسبه گرديد. براي ساختار WTe2 نيز از چينش اسپيني فروالكتريك استفاده شد كه در آن تمامي اسپين‌ها هم‌جهت بودند. با توجه به اوربيتال‌هاي d در لايه ظرفيت اتم‌هاي تنگستن(W) ، اين اتم‌ها در ساختار WTe2 نقش مهمي ايفا مي‌كنند. در اين مورد نيز از تقريب GGA+U با مقادير پتانسيل هابارد برابر با 6، 6.5 و 7 الكترون‌ولت استفاده كرديم. همچنين، براي ساختار AlN كه يك نيمه‌هادي با گاف انرژي بالا است، قطبش الكتريكي محاسبه شد. پس از محاسبه قطبش خودبه‌خودي، هر يك از ساختارها تحت فشار هيدرواستاتيكي قرار گرفتند و مشاهده شد كه با افزايش فشار، مقدار قطبش الكتريكي نيز افزايش مي‌يابد. اين افزايش فشار و محاسبه خواص الكتروني تركيبات در فشارهاي بالا مي‌تواند به كشف مواد جديد با قابليت‌هاي بالقوه منجر شود. در مرحله بعد، براي ساختارهاي BiFeO3 و WTe2 ناخالصي‌ها وارد شدند. اخيراً تمركز زيادي بر ادغام اينديم (In) در مواد مختلف، به‌ويژه اكسيدهاي فلزات واسطه، شده است. اين علاقه به دليل تركيب مناسب، اندازه مناسب و ساختار الكتروني مطلوب اينديم است. در اين پژوهش، اتم In به‌عنوان ناخالصي براي جايگاه اتم Bi در BiFeO3 در نظر گرفته شد و محاسبات قطبش خودبه‌خودي براي تركيب InxBi1-xFeO3 انجام گرفت. اين تغييرات منجر به افزايش فروالكتريك و قطبش الكتريكي در اين ساختار شد. همچنين، در ساختار WTe2 اتم Fe به جايگاه W اضافه گرديد كه اين تغيير نيز منجر به افزايش نظم فرومغناطيس و بهبود قطبش الكتريكي خودبه‌خودي در ساختار FexW1-xTe2 شد. براي انجام اين محاسبات از ابرياخته‌ها استفاده شد كه تعداد اتم‌ها برابر باشد. با توجه به حجم سنگين محاسبات در روش نظريه تابعي چگالي، يك الگوريتم مبتني بر شبكه‌هاي عصبي مصنوعي با روش يادگيري عميق طراحي گرديد تا حجم محاسبات كاهش يابد. اين الگوريتم براي تركيب AlN به كار گرفته شد و نتايج پيش‌بيني قطبش الكتريكي نشان دادند كه استفاده از شبكه‌هاي عصبي مي‌تواند به‌طور قابل توجهي زمان محاسبات را كاهش داده و براي كاربردهاي مختلف بسيار مفيد باشد.

Density Functional Theory , Berry Phase , Full-Potential , Spontaneous Electric Polarization , Local Gradient Approximation , GGA+U , Artificial Neural Networks , Deep Learning , Hydrostatic Pressure

Enhancing physical understanding of spontaneous electrical polarization: Combining density functional theory with machine learning

فيزيك ماده چگال

In recent years, there has been a significant increase in attention to devices made from multiferroic materials. This research focuses on materials such as BiFeO3 (bismuth ferrite), a multiferroic material; WTe2 (tungsten ditelluride), a Weyl semimetal; and AlN (aluminum nitride), which has a wurtzite structure. Given the recent rise in interest toward ferroelectric metals, WTe2 has been utilized as a ferroelectric metal in this study. Since electric polarization is a key feature in physics and engineering, our focus has been on calculating electric polarization for various materials. For the BiFeO3 structure, a G-type antiferromagnetic spin arrangement was considered, which is important for the arrangement of Fe (iron) atoms in this structure. Using the GGA+U approximation and a Hubbard potential of around 4 electron volts, the spontaneous electric polarization was calculated. For the WTe2 structure, a ferroelectric spin arrangement was used, where all spins were aligned. Due to the presence of d orbitals in the valence shell of W (tungsten) atoms, these atoms play a crucial role in the WTe2 structure. In this case, the GGA+U approximation was also used, with Hubbard potentials of 6, 6.5, and 7 electron volts. Furthermore, for the AlN structure, which is a semiconductor with a high energy bandgap, electric polarization was calculated. After determining the spontaneous polarization, each structure was subjected to hydrostatic pressure, and it was observed that the electric polarization increased with pressure. This increase in pressure and the electronic property calculations at high pressures can lead to the discovery of new materials with significant potential. In the next phase, impurities were introduced into the BiFeO3 and WTe2 structures. Recently, there has been considerable focus on the incorporation of indium (In) into various materials, particularly transition metal oxides, due to its desirable combination of suitable size and favorable electronic structure. In this study, indium atoms were considered as impurities, replacing Bi atoms in BiFeO3, and the spontaneous polarization of the InxBi1-xFeO3 compound was calculated. This modification resulted in an increase in ferroelectricity and electric polarization in the structure. Additionally, iron (Fe) atoms were introduced into the WTe2 structure, replacing tungsten atoms. This modification also led to an increase in ferromagnetic ordering and enhanced spontaneous electric polarization in the FexW1-xTe2 structure. To perform these calculations, supercells were used to maintain an equal number of atoms. Given the computationally heavy nature of density functional theory (DFT) methods, an artificial neural network algorithm with deep learning techniques was designed to reduce the computational load. This algorithm was applied to the AlN compound, and the results demonstrated that the predicted values of electric polarization, derived from the neural network, could significantly reduce computational time, making it highly useful for various applications.

5

76245