p A reviravolta tem tomado o campo da física da matéria condensada como uma tempestade. Não, não a mania da dança dos anos 1960 que ficou famosa por Chubby Checker - a descoberta impressionante de que duas folhas de grafeno, uma rede de carbono em forma de favo de mel, poderia ser empilhado e torcido nos chamados ângulos mágicos para exibir propriedades muito diferentes, incluindo comportamento supercondutor. p Desde 2018, quando a primeira verificação experimental foi publicada, pesquisadores em todo o mundo têm explorado esse subcampo em rápida expansão da física da matéria condensada e da ciência dos materiais. Mas quando existem milhões de maneiras diferentes de empilhar e torcer camadas de materiais bidimensionais, como o grafeno, como você sabe de que maneira produzirá propriedades interessantes?

p É aí que entram dois artigos de pesquisa recentes da Escola de Engenharia e Ciências Aplicadas (SEAS) de Harvard John A. Paulson e do Departamento de Física. Primeiro autor das publicações Georgios Tritsaris, um bolsista de pesquisa na SEAS, com o grupo de pesquisa Efthimios Kaxiras, o professor John Hasbrouck Van Vleck de Física Pura e Aplicada no Departamento de Física e Diretor do Instituto de Ciências Computacionais Aplicadas em SEAS, projetou um sistema computacional para rastrear pilhas de grafeno multicamadas torcidas quanto a ângulos de torção associados a propriedades eletrônicas potencialmente interessantes.

p A abordagem pode identificar nanoestruturas com propriedades personalizadas que podem ajudar a acelerar o desenvolvimento e a comercialização de tecnologias quânticas e outras.

p Os artigos de pesquisa foram publicados em Materiais 2-D e a Journal of Chemical Information and Modeling .

p A pesquisa se baseia na experiência da equipe em modelagem de materiais e aprendizado de máquina, e seu trabalho anterior neste campo emergente, chamado twistronics. O termo twistrônica foi introduzido pela primeira vez pelo Grupo de Pesquisa Kaxiras em estudos teóricos anteriores de grafeno em camadas. Refere-se à capacidade de ajustar as propriedades elétricas de materiais bidimensionais por meio de uma rotação entre camadas sucessivas.

p "Além de aumentar nosso conhecimento teórico de grafeno em camadas arbitrariamente, uma meta importante era minimizar a necessidade de consumir muito tempo, a experimentação por tentativa e erro desde que alcançar uma configuração de ângulo mágico no laboratório continua sendo um esforço árduo, "disse Tritsaris." Queríamos desenvolver um sistema automatizado que um experimentalista, engenheiro, ou talvez um algoritmo, poderia usar para responder rapidamente à pergunta, é provável que esta configuração em camadas seja interessante ou não. "

p Fazer isso, a equipe aproveitou o conhecimento existente sobre esses materiais. As propriedades elétricas do material são determinadas por como a energia dos elétrons ao longo das camadas varia em função de seu momento. Um indicador sobre se uma configuração torcida exibirá ou não fenômenos eletrônicos interessantes é se a energia de um único elétron na presença de outros elétrons pode ser restrita a uma janela estreita, dando origem a faixas quase planas nos gráficos dos níveis de energia eletrônica.

p Para procurar essas bandas planas para uma determinada configuração, os pesquisadores usaram um supercomputador para realizar cálculos precisos dos níveis de energia permitidos dos elétrons, combinado com um algoritmo de visão computacional comumente usado em veículos autônomos para localizar objetos planos, como divisórias de faixa. A equipe de pesquisa usou a abordagem para classificar rapidamente pilhas de grafeno de até dez camadas.

p "Ao automatizar a coleta e análise de dados e usar o aprendizado de máquina para criar visualizações informativas de todo o banco de dados, pudemos pesquisar pilhas de grafeno multicamadas com ângulos mágicos de maneira eficiente em termos de recursos, "disse Tritsaris." Nossa abordagem simplificada também é aplicável a materiais em camadas bidimensionais além do grafeno. "

p Abordagens centradas em dados para a descoberta e otimização de materiais já estão sendo usadas em uma variedade de campos, inclusive em produtos farmacêuticos para identificar novos alvos de drogas e em eletrônicos de consumo para encontrar novos diodos emissores de luz orgânicos (OLEDs) para telas de TV.

p "Nem sempre é simples como aproveitar melhor a mineração de dados e o aprendizado de máquina para a pesquisa de materiais, como os pesquisadores muitas vezes lidam com dados esparsos e de alta dimensão, e as soluções tendem a ser específicas do domínio. Queríamos compartilhar nossas descobertas para aumentar a confiança na combinação de modelos baseados na física e baseados em dados, de uma forma que será interessante e útil para cientistas e tecnólogos na área de materiais bidimensionais, "disse Tritsaris.