La torsion a pris d'assaut le domaine de la physique de la matière condensée. Non, pas l'engouement pour la danse des années 1960 rendu célèbre par Chubby Checker - la découverte étonnante que deux feuilles de graphène, un réseau de carbone plat en nid d'abeille, pourraient être empilés et tordus à des angles dits magiques pour présenter des propriétés très différentes, y compris le comportement supraconducteur.

Depuis 2018, lors de la publication de la première vérification expérimentale, des chercheurs du monde entier ont exploré ce sous-domaine en pleine expansion de la physique de la matière condensée et de la science des matériaux. Mais lorsqu'il existe des millions de façons différentes d'empiler et de tordre des couches de matériaux bidimensionnels tels que le graphène, comment savoir de quelle manière produira des propriétés intéressantes ?

C'est là qu'interviennent deux articles de recherche récents de la Harvard John A. Paulson School of Engineering and Applied Sciences (SEAS) et du Department of Physics. Premier auteur des publications Georgios Tritsaris, chercheur à SEAS, avec le groupe de recherche d'Efthimios Kaxiras, le professeur John Hasbrouck Van Vleck de physique pure et appliquée au département de physique et directeur de l'Institute for Applied Computational Science de SEAS, a conçu un système de calcul pour cribler des empilements de graphène multicouches torsadés pour les angles de torsion associés à des propriétés électroniques potentiellement intéressantes.

L'approche peut identifier des nanostructures avec des propriétés adaptées qui pourraient aider à accélérer le développement et la commercialisation de technologies quantiques et autres.

Les articles de recherche ont été publiés dans Matériaux 2D et le Journal of Chemical Information and Modelling .

La recherche s'appuie sur l'expertise de l'équipe en modélisation des matériaux et en apprentissage automatique, et ses travaux antérieurs dans ce domaine émergent, nommé twistronics. Le terme twistronics a été introduit pour la première fois par le groupe de recherche Kaxiras dans des études théoriques antérieures sur le graphène en couches. Il fait référence à la capacité d'ajuster les propriétés électriques des matériaux bidimensionnels par une rotation entre des couches successives.

"En plus d'accroître nos connaissances théoriques sur le graphène en couches arbitraires, un objectif important était de minimiser le besoin de temps, expérimentation par essais et erreurs, car la réalisation d'une configuration d'angle magique en laboratoire reste une entreprise laborieuse, " a déclaré Tritsaris. " Nous voulions développer un système automatisé qu'un expérimentateur, ingénieur, ou peut-être un algorithme, pourrait utiliser pour répondre rapidement à la question, est-ce que cette configuration en couches est susceptible d'être intéressante ou non."

Pour faire ça, l'équipe a tiré parti des connaissances existantes sur ces matériaux. Les propriétés électriques du matériau sont déterminées par la façon dont l'énergie des électrons à travers les couches varie en fonction de leur quantité de mouvement. Un indicateur pour savoir si une configuration torsadée présentera ou non des phénomènes électroniques intéressants est de savoir si l'énergie d'un seul électron en présence d'autres électrons peut être limitée à une fenêtre étroite, donnant lieu à des bandes presque plates dans les tracés des niveaux d'énergie électroniques.

Afin de rechercher ces bandes plates pour une configuration donnée, les chercheurs ont utilisé un superordinateur pour effectuer des calculs précis des niveaux d'énergie autorisés des électrons, combiné à un algorithme de vision par ordinateur couramment utilisé dans les véhicules autonomes pour repérer les objets plats tels que les diviseurs de voie. L'équipe de recherche a utilisé cette approche pour trier rapidement des piles de graphène jusqu'à dix couches.

"En automatisant la collecte et l'analyse des données et en utilisant l'apprentissage automatique pour créer des visualisations informatives de l'ensemble de la base de données, nous avons pu rechercher des empilements de graphène multicouche à angle magique d'une manière économe en ressources, " a déclaré Tritsaris. " Notre approche rationalisée est également applicable aux matériaux en couches bidimensionnels au-delà du graphène. "

Des approches centrées sur les données pour la découverte et l'optimisation des matériaux sont déjà utilisées dans de nombreux domaines, y compris dans les produits pharmaceutiques pour identifier de nouvelles cibles médicamenteuses et dans l'électronique grand public pour trouver de nouvelles diodes électroluminescentes organiques (OLED) pour les écrans de télévision.

"Il n'est pas toujours simple de tirer le meilleur parti de l'exploration de données et de l'apprentissage automatique pour la recherche de matériaux, les chercheurs étant souvent confrontés à des données éparses et de grande dimension, et les solutions ont tendance à être spécifiques à un domaine. Nous voulions partager nos découvertes pour augmenter la confiance dans la combinaison de modèles basés sur la physique et basés sur les données, d'une manière qui va être intéressante et utile pour les scientifiques et les technologues dans le domaine des matériaux bidimensionnels, " dit Tritsaris.