論文の概要: Ab initio Modeling of MoS2/Oxide Device Interfaces with Machine Learned Electronic Structures
- arxiv url: http://arxiv.org/abs/2608.27533v1
- Date: Thu, 27 Aug 2026 15:33:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.101483
- Title: Ab initio Modeling of MoS2/Oxide Device Interfaces with Machine Learned Electronic Structures
- Title（参考訳）: 機械学習電子構造を用いたMoS2/酸化物デバイス界面のAb初期モデリング
- Abstract要約: 我々は、スケーラブルな機械学習(ML)電子構造モデルと高度な量子輸送(QT)解決器を統合する半導体デバイスをシミュレートするための新しいab initioアプローチを導入する。
このフレームワークは密度汎関数理論上の10,000Xのスピードアップを可能にし、20,000個の原子からなる装置のハミルトン行列を生成する。
- 参考スコア（独自算出の注目度）: 66.44589802420899
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a new ab initio approach to simulate semiconductor devices that integrates scalable machine-learned (ML) electronic structure models with an advanced quantum transport (QT) solver. The developed framework enables 10,000X speedups over density functional theory to produce the Hamiltonian matrix of devices made of >20,000 atoms, while offering high prediction accuracy. We use its unique features to investigate MoS2/oxide samples and single-layer MoS2 field-effect transistors, where the surrounding oxide layers, here, HfO2 or Al2O3, are explicitly included into the QT domain. In particular, we reveal that the presence of undercoordinated metal atoms (Hf or Al) close to the semiconductor-oxide interface significantly affects the magnitude of the electronic current and its propagation through MoS2.
- Abstract（参考訳）: 我々は、スケーラブルな機械学習(ML)電子構造モデルと高度な量子輸送(QT)解決器を統合する半導体デバイスをシミュレートするための新しいabイニシアトアプローチを導入する。
このフレームワークは密度汎関数理論よりも1万倍のスピードアップを可能にし、2万個の原子からなる装置のハミルトン行列を生成し、高い予測精度を提供する。
我々は、そのユニークな特徴をMoS2/酸化物試料と単層MoS2電界効果トランジスタの研究に利用し、そこでは周囲の酸化物層、すなわちHfO2またはAl2O3がQTドメインに明示的に含まれている。
特に, 半導体-酸化物界面近傍における過配位金属原子(HfまたはAl)の存在は, 電子電流の大きさやMoS2による伝播に大きく影響することが明らかとなった。
関連論文リスト
- A scalable platform for nanometer-scale quantum confinement [2.8003402642962723]
我々は、平面内特徴サイズを1.75nmまで拡大できるスケーラブルなナノファブリケーションプラットフォームを実証した。
我々のプラットフォームは、これまでアクセス不能だったナノスケールの光と物質との相互作用を探索する道を開く。
論文 参考訳（メタデータ） (2026-04-10T04:57:42Z) - Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning [61.12861060232382]
非平衡グリーン関数(NEGF)はナノスケールデバイスの量子輸送特性をシミュレートする強力な方法である。
本稿では,DFT+NEGFシミュレーションを現実的なシステムの次元や機能に近づけるための重要な(アルゴリズム的な)成果を要約する。
論文 参考訳（メタデータ） (2026-02-03T12:01:39Z) - Quantum Hall Effect at 0.002T [46.680073344221626]
超薄い六方晶窒化ホウ素層で分離した二層グラフェンアーキテクチャを用いて, 外部不均一性の顕著な低減効果を示した。
シュブニコフ・デ・ハース振動は1mT以下の磁場で発生し、整数量子ホールの特徴は0.002Tで観測される。
これらの結果は、グラフェン系ヘテロ構造における強相関電子相の研究にプラットフォームが適していることを示す。
論文 参考訳（メタデータ） (2026-01-22T14:40:33Z) - Electron-Electron Interactions in Device Simulation via Non-equilibrium Green's Functions and the GW Approximation [71.63026504030766]
電子-電子(e-e)相互作用は、量子輸送シミュレーションに明示的に組み込まれなければならない。
この研究は、非平衡条件下でのナノデバイスの大規模原子論的量子輸送シミュレーションを報告した最初のものである。
論文 参考訳（メタデータ） (2024-12-17T15:05:33Z) - Nanoscale single-electron box with a floating lead for quantum sensing: modelling and device characterization [0.0]
本研究では,浮動小数点ノードによる単一電子箱(SEB)の詳細な解析を行う。
集積シリコン量子ドット(QD)のための単一電子電荷センシング技術のコンテキストを解析し、特徴付ける。
論文 参考訳（メタデータ） (2024-04-23T13:05:36Z) - Tunable photon-mediated interactions between spin-1 systems [68.8204255655161]
我々は、光子を媒介とする効果的なスピン-1系間の相互作用に、光遷移を持つマルチレベルエミッタを利用する方法を示す。
本結果は,空洞QEDおよび量子ナノフォトニクス装置で利用可能な量子シミュレーションツールボックスを拡張した。
論文 参考訳（メタデータ） (2022-06-03T14:52:34Z) - Quantum Simulation of an Extended Fermi-Hubbard Model Using a 2D Lattice
of Dopant-based Quantum Dots [5.046411982403706]
ハバードモデル(Hubbard model)は、凝縮物質系における本質的な多体物理学を理解するための主要なモデルの一つである。
近年のシリコンの原子レベルでの精密な製造は、原子単位での単一および少数ドーパント量子ドットの創製を可能にしている。
本研究では,STM-Fabricated 3x3 arrays of single/few-dopant quantum dots を用いた2次元拡張フェルミ・ハバード・ハミルトニアンのアナログ量子シミュレーションを実演する。
論文 参考訳（メタデータ） (2021-10-18T02:24:05Z) - TOF-SIMS Analysis of Decoherence Sources in Nb Superconducting
Resonators [48.7576911714538]
超伝導量子ビットは、潜在的に基盤となるプラットフォーム技術として出現している。
材料品質と界面構造は、デバイスの性能を抑え続けている。
薄膜および隣接領域の2レベル系欠陥はノイズを導入し、電磁エネルギーを散逸させる。
論文 参考訳（メタデータ） (2021-08-30T22:22:47Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。