KI bringt Materialforschung für Nanoelektronik voran
Die zukünftige Elektronik benötigt miniaturisierte und multifunktionale elektronische Bauteile, die ohne komplexe Materialkombinationen realisiert werden können. Domänenwände stehen hierbei im Fokus der Materialforschung, da diese Wände Grenzflächen auf Nanometerskala zwischen Bereichen gleichmäßiger Orientierungen, z.B. ferroelektrische Polarisation, darstellen. Die ferroelektrische Polarisation bildet typischerweise aufgrund der Kristallstruktur elektrische Dipole aus, die im Mikrometerbereich in sogenannten Domänen ordnen. An der Grenzfläche von Domänen, also den ferroelektrischen Domänenwänden, kommt es durch das Aufeinandertreffen von unterschiedlichen ferroelektrischen Polarisationsrichtungen zu einem Zoo an interessanten elektronischen Eigenschaften, wie die Ausbildung von Dioden, memristiver Schalter oder Kapazitäten. All diese Eigenschaften sind mögliche integrale Bauteile für die Nanoelektronik und in diesen Domänenwänden mit der lokalen Leitfähigkeit 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 Domänenwände aufzeigt. Trotz großer Fortschritte in Experiment und Theorie ist man bis jetzt noch nicht über die reine Grundlagenforschung von solchen Domänenwand-basierten Bauteilen hinausgekommen. Die zuverlässige Charakterisierung auftretender elektronischen Eigenschaften und ihrer Transportphänomene 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 Universität, USA) an, ein neuronales Netzwerk zu nutzen um lokale Transportphänomene zu verstehen und dadurch die lokalen Materialeigenschaften gezielt zu optimieren. In der Veröffentlichung "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 ermöglicht, 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 Domänenwänden verbunden ist. Unsere Arbeit erweitert maschinell Lern-unterstützte Rastersondenmikroskopie-Studien auf den Bereich lokaler Leitfähigkeitsmessungen, verbessert die Extraktion physikalischer Leitungsmechanismen und die Trennung störender Stromsignale. "Diese Methode“, so PD Dr. Stephan Krohns, "macht es uns möglich effizienter und umfassender die experimentellen Daten auszuwerten und somit schneller einen Schritt in Richtung Domänenwand basierter Nanoelektronik zu machen." Ferroelektrische Domänenwände
Neue Erkenntnisse
Nature Publikation
Wissenschaftlicher Ansprechpartner