Análises de megadados para ciências de materiais: à procura de novos isolantes topológicos

• Processo: 16/04496-9
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de junho de 2016
• Data de Término da vigência: 31 de maio de 2017
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Adalberto Fazzio
• Beneficiário: Carlos Augusto Mera Acosta
• Supervisor: Matthias Scheffler
• Instituição Sede: Instituto de Física (IF). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: Max Planck Society, Berlin, Alemanha
• Vinculado à bolsa: 14/12357-3 - Tansistor baseado em spintrônica: caracterização topológica e transporte balístico em isolantes topológicos, BP.DR
• Assunto(s): Simulação por computador Transporte eletrônico Big data Efeito Hall quântico
• Palavra(s)-Chave do Pesquisador: Big-data analytics | Compressed Sensing | Electronic Transport | Materials Science | Quantum spin Hall effect | Topological Insulators | Simulações computacionais e transporte eletrônico

Resumo

Um dos objetivos fundamentais da spintrônica é entender o mecanismo pelo qual é possível ter um controle eficiente da configuração de spin e das correntes de spin. A geração de correntes de spin, a injeção de spin e a conservação de spin são mediadas pela interação spin-órbita (SOC) principalmente pelo efeito Rashba e/ou efeitos topológicos. Portanto, a busca de sistemas com essas propriedades constitui um interesse primordial para o desenvolvimento de dispositivos em spintrônica. Estudar as propriedades de transporte em um modelo de transistor e propor sistemas cujas propriedades de transporte eletrônico sejam oriundas dos estados metálicos topologicamente protegidos é o objetivo principal do atual projeto de doutorado. A abordagem habitual para predizer isolantes topológicos (IT's) começa com um processo de tentativa-erro para encontrar um novo material e depois, usando cálculos DFT verificar se esse material satisfaz as propriedades requeridas. Esses cálculos têm alto custo computacional, e portanto, o processo tentativa-erro não é viável. Uma vez que a quantidade de dados calculados para encontrar sistemas com uma propriedade específica aumenta exponencialmente com o tempo, as análises de big-data em ciência de materiais são uma estratégia adequada para ultrapassar o problema associado com o custo computacional e construir modelos preditivos. A aprendizagem estatística consiste em encontrar os mecanismos que determinam o comportamento de uma propriedade ou função e a descreve em termos de um conjunto de parâmetros com significado físico (descritores). O Prof. Dr. Scheffler determinou os requerimentos para encontrar um descritor adequado e demonstrou a forma de o encontrar sistematicamente. A proposta principal da visita ao grupo do Prof. Dr. Scheffler no Fritz Haber Institute da Sociedade Max Planck é encontrar o descritor adequado para os ITs, isto baseado nos conceitos de comprimir e medir sinais, e portanto, construir modelos preditivos para estes sistemas. Começaremos realizando cálculos DFT para sistemas com fases tipológicas não triviais, logo construiremos possíveis descritores para estes sistemas e finalmente encontraremos modelos preditivos para ITs com as propriedades de transporte que permitam a construção de um transistor baseado em spintrônica. Acreditamos que este trabalho abrirá uma nova área de pesquisa na física de materiais, contribuindo à descoberta das variáveis atómicas que determinam as propriedades topológicas de um sistema e permitirá encontrar novos materiais com fases tipológicas não triviais que possam ser integrados à tecnologia atual. (AU)