Entdeckung von 2-D-Magneten mit hohem Durchsatz

0

2-D-Materialien sind atomar dünne, einschichtige, in einer Kristallstruktur angeordnete Filme, die potentielle Anwendungen in der Elektronik und in optoelektronischen Geräten der nächsten Generation haben.

Der Ferromagnetismus (FM) in solchen Materialien – der Mechanismus, durch den sie als Magnete wirken – galt bis vor einigen Jahren als unplausibel.

Im Jahr 2017 entdeckten Wissenschaftler Niedertemperatur-FM in 2-D-Materialien, was zu bedeutenden Fortschritten in den Bereichen Nanotechnologie und Elektronik geführt hat.Bei niedrigen Temperaturen sind ferromagnetische Materialien in der Lage, ihre magnetischen Eigenschaften gut zu behalten.

Allerdings wird die magnetische Ordnung in solchen Materialien mit steigender Temperatur gestört.

Die Temperatur, bei der Materialien ihre FM-Eigenschaften verlieren, wird als Curie-Punkt bezeichnet.

Der Curie-Punkt ist daher eine kritische Eigenschaft von ferromagnetischen Materialien für praktische Anwendungen.

Tun Sie mir einen Gefallen: Bitte TEILEN Sie diesen Beitrag.

Die Bestimmung der Curie-Temperatur erfordert jedoch eine Reihe von sehr komplexen Berechnungen.Ein Forschungsteam des Indian Institute of Science (IISc) hat jetzt einen Open-Source-Computercode entwickelt, um Curie-Temperaturen aus den Kristallstrukturen von Materialien abzuschätzen.

Die in npg Computational Materials veröffentlichte Studie kombiniert Informatik mit Open-Source-Datenbanken und maschinellem Lernen, um die Curie-Temperaturen von ferromagnetischen 2-D-Materialien (2DFM) zu entdecken und vorherzusagen.Das Team verfolgte einen dreifachen Ansatz.

Zunächst entwickelten sie einen vollautomatischen Computercode, der bei der Berechnung der Curie-Temperaturen hilft und manuelle heuristische Berechnungen überflüssig macht.

Zweitens waren sie in der Lage, 26 Hochtemperatur-2DFM-Materialien aus großen Open-Source-Datenbanken zu identifizieren, darunter einige wichtige magnetische Materialien, die bisher übersehen wurden.

Diese Materialien können ideale Kandidaten für den Einsatz in Hochtemperaturgeräten sein.Drittens entwickelte das Team ein maschinelles Lernmodell zur Vorhersage der Curie-Temperatur von Materialien.

Obwohl das Modell derzeit nur begrenzte Daten verwendet, kann es, wenn es mit einem ausreichend großen Datensatz von….

Share.

Leave A Reply