介观与纳米尺度物理学研究快报
相关分类
最新研究
展示分数序动力学的微量器的低功耗切换
在本次会议的贡献中,我们介绍了一些使用电流脉冲显示分数顺序行为的可切换记忆设备的初步结果。 在我们的模型中,假设状态变量的演变遵循一个涉及Caputo类型衍生物的分数序微分方程。 对焦耳损失的研究表明,最小化这些损失的最佳切换策略取决于分数衍生物的顺序和运动方程中的力量指数。 结果发现,当分数导数的顺序超过功率指数的一半时,最好的方法是采用宽脉冲。 相反,当未满足此条件时,通过施加零电流,然后施加最高允许幅度的窄电流脉冲,将焦耳损失最小化。 这些发现在多脉冲控制的背景下进一步探讨。 我们的研究为下一代节能神经形态计算架构的发展奠定了基础,这些架构更密切地模仿其生物对应物。
使用最优控制减少计量交换中的焦耳损失
这项研究研究了在电阻随机访问存储器(ReRAM)细胞中最小化焦耳损失的策略,这些细胞也被称为记忆设备。 通常,ReRAM细胞的结构涉及夹在两个金属电极之间的纳米级电阻开关材料层。 我们要问的基本问题是,将记忆设备从一个状态切换到另一个状态的最佳驱动协议是什么。 在理想记忆器的情况下,在最基本的情况下,最佳协议是通过在欧拉朗格奇方程的帮助下解决无约束的变异问题来确定的。 在记忆系统的情况下,对于相同的情况,使用拉格朗日乘数的方法找到最佳协议。 我们通过特定示例展示了我们方法的优点,并将我们的结果与具有恒定电压或电流的开关结果进行比较。 我们的研究结果表明,电压或电流控制可用于减少新兴存储器设备中的焦耳损失。
用于应变合金微观结构的属性预测和时间进化模拟的统一机器学习框架
我们引入了一个统一的机器学习框架,旨在方便地解决合金微观结构在弹性场的影响下的时间演变。 这种方法允许从短轨迹中同时提取弹性参数,并预测其影响下的进一步微观结构演变。 这通过在晶格不匹配eta的存在下专注于脊柱分解,并通过对相位场模拟提供的地面真相演变和合适的卷积循环神经网络架构的预测进行广泛的比较来证明这一点。 然后,这两个任务可以随后执行到级联框架中。 在广泛的不适应条件下,这里呈现的级联模型准确地预测了eta和完整的对应微观结构演变,同时也在接近脊柱侧形分解的关键条件时。 演示了更大的计算域尺寸和轻度推算误差(在训练过程中比采样时间序列长5倍)的可扩展性。 拟议的框架是一般性的,可以应用于这里作为例子所考虑的具体的原型系统之外。 有趣的是,实验视频可以用来推断未知的外部参数,然后模拟进一步的时间演变。
磁点硬件安全 初级:在材料层面嵌入数据保护
大数据革命增加了对强大、节能的安全硬件的需求,能够承受日益复杂的网络威胁。 传统的加密方案依赖于复杂的算法,是资源密集型的,而且仍然很脆弱。 为了强化敏感信息,社会需要创新的防黑客和防伪技术,利用新材料和设计。 在这里,我们提出了基于完全选择性电压控制的N3-离子在预定义,初始准磁FeCoN点内的硬件级安全的磁离子策略。 这一过程产生可调厚度的铁磁子层,产生确定性(单域或涡旋)或概率态(具有并存的磁配置和电压可调概率),每个都表现出随机取向和手性,从而为磁指纹提供丰富的平台。 这种方法可以实现自我保护的原语,包括真正的随机数生成器,物理不可克隆函数和内存概率推理。 由此产生的可重新配置的架构结合了防篡改、低能耗和可扩展性,标志着向植根于新兴磁现象的下一代硬件安全的重大飞跃。
深度学习加速的纳米电子学量子输运模拟：从断裂结到场效应晶体管
量子输运模拟对于理解和设计纳米电子器件至关重要，但长期以来精度与计算效率之间的权衡限制了其实际应用。我们提出了DeePTB-NEGF，这是一个将深度学习紧束缚哈密顿量预测与非平衡格林函数方法相结合的集成框架，能够在开放边界条件下实现精确的量子输运模拟，并获得2-3个数量级的加速。我们通过两个具有挑战性的应用展示了DeePTB-NEGF：包含超过10^4个构型的全面断裂结模拟，结果显示与实验电导直方图高度吻合；以及实验尺寸的碳纳米管场效应晶体管(CNT-FET)，成功重现了41纳米沟道CNT-FET(约8000个原子，3×10^4个轨道)的实测转移特性，并预测了180纳米CNT(约3×10^4个原子，10^5个轨道)的零偏压透射谱，展示了该框架在大规模器件模拟方面的能力。我们对不同几何结构的系统研究证实了模拟真实实验结构对于精确预测的必要性。DeePTB-NEGF弥合了第一性原理精度与计算效率之间的长期差距，为高通量和大规模量子输运模拟提供了可扩展工具，使得以前无法实现的纳米尺度器件研究成为可能。
自适应AI驱动材料合成:迈向自主2D材料增长
二维(2D)材料有望凭借其非凡的性能彻底改变当前的固态技术。 然而,主要挑战仍然是可扩展的生产。 虽然取得了重大进步,但大部分科学进步都依赖于材料的去角质,这种方法对大规模应用构成了严峻的挑战。 随着人工智能(AI)在材料科学领域的出现,创新的合成方法论现在即将到来。 这项研究探索了使用由进化方法训练的人工神经网络(ANN)进行自主材料合成的前沿,重点是石墨烯的高效生产。 我们的方法表明,神经网络可以迭代和自主地学习一个依赖于时间的协议,以实现石墨烯的高效生长,而无需预先训练什么是有效的配方。 评估标准基于拉曼签名与单层石墨烯的接近程度:更高的分数被授予结果,其光谱更接近理想的连续单层结构。 这种反馈机制允许迭代细化ANN的时间依赖合成协议,逐步提高样品质量。 通过人工智能方法的进步和应用,这项工作为材料工程领域做出了巨大贡献,促进了合成过程中的创新和效率的新时代。
脉冲生物启发神经网络的现代实现
脉冲神经网络领域的广泛发展已经对人们生活的许多方面产生了直接影响。作为所有神经网络中最具生物相似性的一种，脉冲神经网络不仅能够解决识别和聚类问题（包括动态问题），还促进了人类神经系统知识的增长。我们的分析表明，硬件实现至关重要，因为网络细胞中物理过程的特性会影响它们模拟活体神经组织神经活动的能力，以及信息处理、存储和传输的某些阶段的效率。本综述回顾了在"半导体"、"超导体"和"光学"领域中现有的生物启发脉冲神经网络的硬件神经形态实现。特别关注不同方法有效"混合"的可能性。
基于噪声的局部学习：使用随机磁性隧道结的实现
物理硬件中的类脑学习具有以最小能耗实现快速学习的巨大潜力。生物学习系统的特征之一是其能够在各种噪声源存在的情况下进行学习。受此启发，我们提出了一种新颖的基于噪声的学习方法，用于实现多层神经网络的物理系统。仿真结果表明，我们的方法能够实现有效学习，其性能接近传统有效但能耗高的backpropagation算法。通过自旋电子硬件实现，我们通过实验证明可以在由物理随机磁性隧道结组成的小型网络中实现学习。这些结果为通用物理系统中的高效学习提供了一条路径，该方法拥抱而非抑制物理器件固有的噪声。
均衡外物理生成模型的局部学习规则
我们表明,基于分数的生成模型(SGM)的不平衡驱动协议可以通过本地学习规则学习。 驾驶协议参数的梯度直接从力测量或观察到的系统动力学计算。 作为演示,我们在驱动,非线性,过阻的振荡器与热浴池的网络中实现SGM。 我们首先将其应用于2D中两个高斯混合的采样问题。 最后,我们训练了一个由10x10振荡器组成的网络,从MNIST数据集中采样0和1的图像。
膜线性代数
记忆设备的出现为高效和可扩展的模拟计算提供了一条有希望的途径,特别是在各种科学和工程应用中必不可少的线性代数操作。 本文研究了记忆横梁在实现矩阵反转算法方面的潜力。 我们探索静态和动态方法,强调模拟和内存计算在乘法之外矩阵操作的优势。 我们的结果表明,与某些矩阵任务的传统数字方法相比,记忆阵列可以显着降低计算复杂性和功耗。 此外,我们还应对设备可变性、精度和可扩展性方面的挑战,为这些算法的实际实现提供见解。
注意是解决相关电子问题所需要的吗?
注意力机制改变了人工智能研究,因为它学习物体之间的关系的能力。 在这项工作中,我们探讨了如何利用由大参数自注意力神经网络构建的多体波函数 ansatz 来解决固体中的相互作用电子问题。 通过关于moiré量子材料的系统神经网络变异蒙特卡洛研究,我们证明自我关注的 ansatz 提供了一种准确有效的解决方案,没有人类的偏见。 此外,我们的数值研究发现,所需的变异参数数量与电子的数量大致为N^2,这为高效的大规模模拟开辟了一条道路。
在SSH链中探索拓扑和本地化现象在通用AAH调制下:一种计算方法
Su-Schrieffer-Heeger(SSH)模型是一维拓扑绝缘体的典型例子,但它在更复杂的现实条件下的行为仍然是研究的沃土。 本文对广义SSH模型进行了全面的计算研究,探讨了拓扑结构、准周期性障碍、非隐性和时间依赖性驾驶之间的相互作用。 使用精确的对角化和专门的数值求解器,我们通过其光谱特性和定位特性绘制系统的相位空间,由逆参与率(IPR)量化。 我们证明,虽然标准SSH模型表现出拓扑保护的边缘状态,但这些状态被强大的Aubry-André-Harper(AAH)调制引起的局部过渡所破坏。 此外,我们使用无监督机器学习(PCA)对系统的阶段进行自主分类,揭示了强大的本地化可以掩盖潜在的拓扑特征。 将模型扩展到隐密性之外,我们揭示了非隐士皮肤效应,这是所有大块状态在边界上的戏剧性定位。 最后,我们将一个周期性的Floquet驱动器应用于拓扑琐碎的链条,成功地设计了一个Floquet拓扑绝缘体,其特征是在准能量区的边界上出现异常边缘状态。 这些发现共同提供了在广义1D拓扑系统中托管的丰富现象的多方面观点。
HSG-12M:大规模空间多图数据集
现有的图形基准假设非空间,简单的边缘,将物理上不同的路径坍缩成单个链接。 我们介绍了HSG-12M,这是嵌入在度量空间中的第一个空间多图图形的大规模数据集,其中两个节点之间的多个几何形状不同的轨迹被保留为独立边缘。 HSG-12M包含1160万个静态和510万个动态汉密尔顿光谱图,跨越1401个特征多项式,来自177 TB的光谱电位数据。 每个图形在复杂的平面上编码1-D晶体能量谱的完整几何形状,产生超越传统节点坐标数据集的多样化,物理基础拓扑结构。 为了实现未来的扩展,我们发布了:一个高性能的开源管道,将任意的1-D晶体Hamiltonians映射到光谱图。 具有流行的GNN的基准揭示了大规模学习多边缘几何学的新挑战。 除了其实用性之外,我们还展示了光谱图作为多项式,向量和矩阵的通用拓扑指纹,锻造了一个新的代数到图形链接。 HSG-12M为凝聚态物理及其他领域数据驱动的科学发现的新机会奠定了基础。
帕累托正面的域切换:自动压电感力显微镜中的多目标深度内核学习
铁电偏振开关支撑了各种材料和设备的功能性能,但它对复杂的局部微观结构特性的依赖使得通过手动或网格光谱测量进行系统探索不切实际。 在这里,我们介绍了一个多目标内核学习工作流程,它直接从高分辨率成像数据中推断出管理切换行为的微观结构规则。 应用于自动化压电力显微镜(PFM)实验,我们的框架有效地确定了域壁配置和局部开关动力学之间的关键关系,揭示了特定的壁几何形状和缺陷分布如何调节偏振反转。 实验后分析将抽象的奖励函数(如切换易用性和域对称性)投射到物理可解释的描述符上,包括域配置和接近边界。 这不仅实现了高通量主动学习,还实现了对开关现象微观结构控制的机械洞察力。 虽然我们被演示用于铁电域切换,但我们的方法提供了一个强大的,可推广的工具,用于导航复杂的,不可区分的设计空间,从分子发现中的结构-属性相关性到跨不同成像模式的组合优化。
使用磁性拓扑绝缘体的低温内存计算
机器学习算法已被证明对基本的量子计算任务(如量子纠错和量子控制)有效。 在低温下高效实现这些算法至关重要。 在这里,我们利用磁拓扑绝缘体作为记忆器(称为磁拓扑记忆器),并引入了基于手性边缘状态和拓扑表面状态共存的低温内存计算方案。 巨型异常霍尔效应的递归开关和读数表现出高能效、高稳定性和低随机性。 我们在概念验证分类任务中实现了高精度,使用四个磁拓扑信息器。 此外,我们对大规模神经网络的算法级和电路级模拟与现有的磁阻和CMOS技术相比,展示了软件级精度和较低的图像识别和量子态准备的能耗。 我们的研究结果不仅展示了手性边缘状态的新应用,而且还可能激发进一步的基于拓扑量子物理学的新型计算方案。
通过基于自适应变压器的框架预测许多晶体属性
机器学习已经彻底改变了许多领域,包括材料科学。 然而,使用机器学习预测晶体材料的特性在输入编码、输出多功能性和可解释性方面面临挑战。 我们引入了CrystalBERT,一个基于变压器的适应性框架,集成了空间组,元素和单元单元信息。 这种新颖的结构可以无缝地结合各种特征,并准确预测各种物理特性,包括拓扑特性、超导过渡温度、介电常数等。 CrystalBERT对影响目标属性的特征进行了有见地的解释。 我们的结果表明,空间组和元素信息对于预测拓扑和超导特性至关重要,强调了它们的复杂性。 通过结合这些特征,我们在拓扑分类方面实现了91%的准确率,超过了先前的研究,并确定了以前分类错误的材料。 这项研究表明,整合多样化的材料信息增强了对复杂材料特性的预测,为材料科学中更准确和可解释的机器学习模型铺平了道路。
交接扭曲的双层石墨烯与结构松弛的系统建模
扭曲的双层石墨烯(TBG)引起了很大的兴趣,因为最近的实验表明,TBG可以表现出密切相关的行为,如超导和相关绝缘体阶段。 TBG的大部分理论工作都是基于对Bistritzer-MacDonald模型的分析,该模型包括一个现象学参数,以解释晶格松弛。 在这项工作中,我们使用新开发的连续模型,系统地解释结构松弛的影响。 特别是,我们通过将线性弹性与惩罚失事的堆叠能量耦合来模拟结构松弛。 我们通过定义投影到扁平波段的相互作用模型来比较两个放松模型对相应多体模型的影响。 我们在Hartree-Fock和Cobeds Cluster Singles and Doubles(CCSD)理论水平进行电荷中立测试,并发现系统放松模型与简化的放松模型给出了数量差异。
自主纳米粒子合成设计
具有特定原子结构的材料的可控合成支撑了技术进步,但仍然依赖于迭代,试错方法。 纳米粒子(NPs)的原子排列决定了它们的紧急特性,由于许多可调参数,合成特别具有挑战性。 在这里,我们引入了一种明确针对原子尺度结构合成的自主方法。 我们的方法通过将实时实验总散射(TS)和配对分布函数(PDF)数据与模拟目标模式相匹配,自主设计合成协议,而无需事先合成知识。 我们在同步加速器上展示了这种能力,成功地合成了两种结构上不同的黄金NP:5纳米十面体和10纳米面为中心的立方结构。 最终,指定模拟目标散射模式,从而代表定制的原子结构,按需获得合成材料及其可重复合成协议可能会彻底改变材料设计。 因此,ScatterLab为跨不同系统和应用的自主原子结构靶向合成提供了可推广的蓝图。
用于双维半导体量子点阵列的模块化自主虚拟化系统
门定义半导体量子点阵列是构建可扩展量子处理器的主要候选者之一。 高保真初始化、控制和读取自旋量子比特寄存器需要精确和有针对性的控制定义静电环境的关键哈密尔顿参数。 然而,由于门间距紧,闸门之间的电容串扰阻碍了化学电位和电位耦合的独立调整。 虽然虚拟门提供了一个实用的解决方案,但在大型量子点寄存器中准确有效地确定所有所需的交叉电容矩阵是一个开放的挑战。 在这里,我们建立了一个模块化自动化虚拟化系统(MAViS)——一个通用和模块化的框架,用于实时自主构建完整的多层虚拟门堆栈。 我们的方法采用机器学习技术,从二维电荷稳定性图中快速提取特征。 然后,我们利用计算机视觉和回归模型,在低隧道和高隧道耦合机制中自主确定虚拟化柱塞和屏障闸门所需的所有相对电容耦合。 使用MAViS,我们成功地演示了密集的二维阵列的精确虚拟化,其中包括在高质量Ge/SiGe异质结构中定义的十个量子点。 我们的工作为大规模半导体量子点系统的高效控制提供了优雅而实用的解决方案。
飞机上的蛇:纳米磁性超材料中的可控滑翔机
被称为人工自旋冰(ASI)的磁性超材料是神经形态计算有希望的候选者,由平面中排列的大量相互作用的纳米磁铁组成。 每个计算设备都需要转换、传输和存储信息的能力。 虽然ASI在数据转换方面表现出色,但可靠的传输和存储已被证明难以实现。 在这里,我们从蜂窝自动机(CA)中获得灵感,这是一个抽象的计算模型,让人想起ASI。 在CA中,信息传输和存储可以通过“滑翔机”来实现,这是一种能够在保持其形式的同时传播的简单结构。 使用进化算法,我们用针轮ASI搜索滑翔机,并提出发现的最简单的滑翔机:“蛇”。 在全球场协议的推动下,蛇严格地向一个方向移动,由它的方向决定。 我们在模拟和实验上演示蛇,并分析其运动背后的机制。 蛇提供了一种在ASI中操纵磁性纹理的方法,分辨率为100nm,反过来可以用来精确控制其他磁现象。 将数据传输、存储和修改集成到相同的磁性基板中,为超低功率计算设备释放潜力。
No more items to load.