Les matériaux 2-D sont atomiquement minces, des films monocouches disposés selon une structure cristalline, qui ont des applications potentielles dans l'électronique de nouvelle génération et les dispositifs optoélectroniques. Le ferromagnétisme (FM) dans de tels matériaux ‒ le mécanisme par lequel ils agissent comme des aimants était considéré comme invraisemblable jusqu'à il y a quelques années. En 2017, les scientifiques ont découvert la FM à basse température dans les matériaux 2D, qui a conduit à des avancées significatives dans les domaines de la nanotechnologie et de l'électronique.

A basse température, les matériaux ferromagnétiques sont capables de bien conserver leurs propriétés magnétiques. Cependant, l'ordre magnétique dans de tels matériaux est perturbé à mesure que la température augmente. La température à laquelle les matériaux perdent leurs propriétés FM est connue sous le nom de point de Curie. Le point de Curie est donc une propriété critique des matériaux ferromagnétiques pour des applications pratiques. Cependant, la détermination de la température de Curie implique un ensemble de calculs très complexes.

Une équipe de recherche de l'Institut indien des sciences (IISc) a maintenant développé un code informatique open source pour estimer les températures de Curie à partir des structures cristallines des matériaux. L'étude, Publié dans Matériaux de calcul npg, combine l'informatique à l'aide de bases de données open source et d'apprentissage automatique pour découvrir et prédire les températures de Curie des matériaux ferromagnétiques 2D (2DFM).

L'équipe a adopté une approche en trois volets. D'abord, ils ont développé un code informatique entièrement automatisé qui permet de calculer les températures de Curie, éliminant le besoin de calculs heuristiques manuels. Seconde, ils ont pu identifier 26 matériaux 2DFM à haute température à partir de grandes bases de données open source, y compris certains matériaux magnétiques importants qui ont été négligés jusqu'à présent. Ces matériaux peuvent être des candidats idéaux pour une utilisation dans des appareils à haute température.

Troisièmement, l'équipe a développé un modèle d'apprentissage automatique pour prédire la température de Curie des matériaux. Bien que le modèle utilise actuellement des données limitées, s'il est entraîné avec un ensemble de données suffisamment grand de matériaux 2DFM, il pourra éventuellement remplacer le code informatique, disent les chercheurs. Ils pensent que cela aiderait considérablement à faire progresser les applications pratiques des matériaux magnétiques 2D.