'Twistronics' em materiais bidimensionais

• Processo: 23/09394-3
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de novembro de 2023
• Data de Término da vigência: 31 de outubro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física da Matéria Condensada
• Pesquisador responsável: Felipe David Crasto de Lima
• Beneficiário: Marcos de Cerqueira Leite Pimentel
• Instituição Sede: Centro Nacional de Pesquisa em Energia e Materiais (CNPEM). Ministério da Ciência, Tecnologia e Inovação (Brasil). Campinas , SP, Brasil
• Assunto(s): Grafenos Teoria do funcional da densidade
• Palavra(s)-Chave do Pesquisador: Grafeno | teoria do funcional da densidade | Simulação Computacional de Materiais

Resumo

Recentemente a descoberta de supercondutividade não convencional em bicamadas de grafeno evidenciou a possibilidade da compreensão tanto da física básica, quanto aplicações em dispositivos destes sistemas de baixa dimensionalidade. Tal fenômeno ocorre quando uma camada está rotacionada em relação à outra por um dado valor de ângulo, ditos ângulos 'mágicos'. Do ponto de vista de simulação de materiais o estudo de padrões de moiré exigem uma grande quantidade de átomos para reproduzir a escala espacial do padrão. Isto deixa computacionalmente ineficiente o uso direto de cálculos de primeiros princípios para uma padrão de moiré geral. A exploração deste padrões seguem atualmente duas abordagens principais (i) modelos cont1nuos e (ii) modelos discretos localizados via métodos de ligação-forte. Ambos os casos o sistema fica dependente de parâmetros para capturar os diferentes fenômenos dependentes do padrão de moiré, e.g. campos de strain, variação na distância entre camadas, charge-puddles etc. Neste projeto abordaremos como encontrar tais parâmetros de um cálculo via método ligação-forte de forma a capturar o comportamento de cálculos de primeiros-princípios. Através da extração dos parâmetros via cálculos de primeiros princípios em sistemas menores, extrapolaremos para sistemas maiores. Dado que estes parâmetros têm uma variação espacial que depende da estrutura, iremos utilizar abordagens de machine-learning para correlacionar a estrutura local com o acoplamento entre camadas. Tal abordagem será fundamental para capturar os efeitos realísticos nos sistemas de modelo de ligação-forte.