碲化物纳米线中的协同热电-辐射热耦合技术用于高效人工视觉系统

《Small》:Synergistic Pyroelectric-Bolometric Coupling in Tellurene Nanowire for Energy-Efficient Artificial Vision

【字体: 大 中 小 】 时间:2026年05月12日 来源:Small 12.1

编辑推荐:

  摘要 热能收集技术通过将热能转化为电信号,为可持续能源利用提供了一条有前景的途径。然而,在低维材料中实现高效且稳定的热电转换仍然具有挑战性。尽管少层碲(Te)由于内在的对称性破缺而表现出热电效应,但这种效应仅限于三层结构,这限制了其实际应用。在这里,我们展示了碲纳米线(Te N

  摘要

热能收集技术通过将热能转化为电信号,为可持续能源利用提供了一条有前景的途径。然而,在低维材料中实现高效且稳定的热电转换仍然具有挑战性。尽管少层碲(Te)由于内在的对称性破缺而表现出热电效应,但这种效应仅限于三层结构,这限制了其实际应用。在这里,我们展示了碲纳米线(Te NWs)如何通过边缘诱导的对称性破缺克服这一限制,实现了稳定且持久的热电极化。在光热激发下,Te NWs表现出协同的热电-玻尔兹曼耦合效应,其中极化和电阻的光热调制共同增强了热驱动的光电流。在没有外部偏压的情况下,该设备以完全自驱动的模式运行,其行为仅受热驱动的电荷动力学控制。在施加偏压时,响应变为双向的,模拟了兴奋性和抑制性突触特性。利用这两种机制,基于Te NWs的人工视觉系统能够在没有外部电偏压的情况下通过光驱动学习实现97%的数字识别精度,展示了节能的自刺激神经形态功能。这项工作确立了Te NWs作为一种有前景的材料平台,它将热能收集、仿生传感和自刺激神经形态计算连接起来。

1 引言

对可持续能源需求的加速增加激发了人们对能够收集丰富但大部分被浪费的热能的技术的兴趣。在各种策略中,热能收集技术将原本被浪费的热能转化为可用的电能,已成为一种有吸引力的方法 [1-3]。其中最有前景的机制是热电效应,即温度时间变化调制自发极化并产生电流。热电效应已被广泛用于热传感、能量收集和红外成像 [4, 5]。同时,玻尔兹曼效应——温度依赖的电阻调制输出电流——提供了另一种高度敏感的热驱动转换途径 [6, 7]。尽管取得了显著进展,但开发出能够实现稳健、稳定和可扩展的热电转换的材料仍然是一个未解决的问题。大多数现有的二维(2D)和聚合物基热电材料面临内在的限制,阻碍了它们的实际应用。例如,二维半导体如MoS2和In2Se3通常表现出较低的热电系数,导致电输出较弱 [8, 9]。铁电聚合物如P(VDF-TrFE)需要严格的厚度控制和极化处理,而且它们的性能在反复的热循环或高温操作下往往会下降 [10, 11]。这些挑战凸显了需要能够在实际条件下维持强且稳定的热电响应的替代材料。在这一背景下,二维碲由于其独特的螺旋链和各向异性结构而成为了一个特别有趣的候选材料,这些特性赋予了它独特的电子和光学性质 [12, 13]。尽管在二维碲中观察到了热电效应,但它仅限于三层结构,在这里对称性自然被破缺。超过这一厚度后,恢复的中心对称性会抑制热电极化,限制了其在实际应用中的效用 [14]。为了解决低维热电材料的局限性,我们研究了Te NWs,其边界诱导的对称性破缺使得极化稳定性超越了三层限制。这些边缘驱动的原子位移使得Te NWs成为了一个无需严格厚度约束的稳健热电平台。此外,由温度诱导的电阻调制产生的共存玻尔兹曼响应进一步放大了整体的光响应。它们的协同耦合产生了显著增强的热驱动光电流,为光热光电学带来了重大进步。图1展示了基于Te NWs的人工视觉系统的概念和工作原理。受到人眼视网膜形态视觉处理的启发(图1a),Te NW系统通过热电转换实现紧凑且节能的视觉感知(图1b)。在这种架构中,感官信息从低级别的光学采集进展到更高层次的处理和识别(图1c),Te NW的固有突触行为控制着时间刺激的整合和后续处理的数据压缩。这种感官功能是在单个Te NW内实现的,它利用了其内在的热电-玻尔兹曼耦合(图1e)。在光激发下,纳米线主要通过光热吸收被加热,产生温度振荡,而光载流子的生成则是次要效应。这些温度变化调制了自发极化,产生了瞬态热电流(图1d),同时加热引起的通道电阻增加(ΔR > 0)贡献了一个额外的玻尔兹曼电流分量(图1f)。通过这两种热驱动机制的协同作用,Te NW直接将光转化为电信号,有效地将感测、存储和预处理整合在一个纳米尺度元件中。这一集成能力突显了Te NWs作为高效人工视觉感知材料平台的有望性。

2 结果与讨论

2.1 Te NWs中热电效应的边缘诱导起源

Te NWs是通过水热法合成的(详见方法和图S1),其晶体相通过拉曼光谱得到了确认(图S2)。如图S3所示,Te晶体呈现出由共价键合原子沿c轴螺旋排列的手性三角结构。这些链排列在六角晶格中,并通过范德华相互作用稳定,从而产生了明显的电和热各向异性 [15-17]。纳米线的形态和横截面通过原子力显微镜(AFM)和高分辨率扫描透射电子显微镜(STEM)进行了表征,显示出平滑、均匀的表面和独特的Te原子手性链排列(图2a,b)。在纳米线边缘,多个Te原子层沿垂直于a-c平面的方向堆叠,形成了一个倾斜平面。值得注意的是,在边缘链中,原子显示出明显的偏心位移,导致局部非中心对称的晶格。这些边缘特有的扭曲是由孤对原子间的排斥力引起的,它增大了链间间距并稳定了自发极化 [18]。这种自发极化是热电效应的前提,因为热波动调制了极化并产生了明显的电响应 [1, 2]。

2.2 Te NWs中热电效应的边缘诱导起源

Te NWs是通过水热法合成的(详见方法和图S1),其晶体相通过拉曼光谱得到了确认(图S2)。如图S3所示,Te晶体呈现出由共价键合原子沿c轴螺旋排列的手性三角结构。这些链排列在六角晶格中,并通过范德华相互作用稳定,从而产生了明显的电和热各向异性 [15-17]。纳米线的形态和横截面通过原子力显微镜(AFM)和高分辨率扫描透射电子显微镜(STEM)进行了表征,显示出平滑、均匀的表面和独特的Te原子手性链排列(图2a,b)。在纳米线边缘,多个Te原子层沿垂直于a-c平面的方向堆叠,形成了一个倾斜平面。值得注意的是,在边缘链中,原子显示出明显的偏心位移,导致局部非中心对称的晶格。这些边缘特定的扭曲是由孤对原子间的排斥力引起的,它增大了链间间距并稳定了自发极化 [18]。这种自发极化是热电效应的前提,因为热波动调制了极化并产生了明显的电响应 [1, 2]。在等温条件下,自由电荷(电子或离子)完全屏蔽了束缚的极化电荷,阻止了任何电流流动。当加热时,温度的升高减小了净偶极矩,从而降低了自发极化。结果,补偿表面电荷重新分布,产生了瞬态热电电流。如果系统随后被冷却,自发极化增加,驱动补偿电荷的相反重新分布,产生反向极性的电流[1, 2]。为了排除表面氧气吸附/脱附对瞬态信号的可能贡献,在300 K的环境空气和高真空中进行了对照测量。如图S7所示,瞬态光电流响应在两种环境中的极性反转、波形和脉冲宽度依赖性几乎完全相同。如果氧气吸附/脱附主导了响应,由于缺乏表面氧气,在真空中应该预期振幅或弛豫动力学会有显著变化。相反,特征性的双极响应的持续性表明,信号主要来源于Te纳米线内部的热过程,包括由dT/dt驱动的热电极化变化和与玻罗计效应相关的温度依赖性电阻变化,而不是表面吸附效应。值得注意的是,加热和冷却引起的电流的非对称幅度表明,在加热阶段存在一个额外的热激活贡献——最有可能是玻罗计成分。这一效应在图4中进行了详细讨论。

Te纳米线中的热电驱动的突触响应。(a) 在532纳米激光照明下,Vds = 0伏时Te纳米线装置的瞬态光电流,显示了加热和冷却过程中的极性反转。插图:Te纳米线装置的光学图像。(b) 等温、加热和冷却条件下的热电机制示意图。温度变化(dT/dt ≠ 0)调节自发极化(Ps),产生符号相反的瞬态热电流。(c) 光电流响应作为激光脉冲宽度(PW)的函数,其中较长的脉冲宽度产生较大的热电幅度。(d) 通过改变脉冲间隔(Δt)测量的配对脉冲响应,显示出明显的突触配对脉冲促进(PPF)。(e) PPF指数(A2/A1)作为Δt的函数,使用双指数衰减模型拟合,得到松弛常数τ1 = 14毫秒和τ2 = 1.5秒。(f) 对于一串光脉冲的瞬态电流响应,显示出短期可塑性的特征性逐渐增强响应。(g) 提取的增强电流与脉冲数之间的关系,显示出线性因子为0.89的单调权重演变。

耦合的MIT驱动的玻罗计和热电动力学使得Te纳米线中的突触可塑性成为可能。(a, b) 在Vds = 0.5伏和Vds = –0.5伏的光脉冲刺激下的瞬态光电流响应,分别展示了偏压控制的热电流极性反转。(c) 在Vds = 0、0.5、?0.5伏下的响应动态,由于场辅助的载流子提取和势垒降低,在有限偏压下衰减显著加快(约130微秒)。(d) 温度依赖的传输曲线显示在Vgs ≈ 3伏附近发生金属-绝缘体转变(MIT)。(e) 电阻-温度特性,在Vgs = 0伏时确认了金属导电性(dR/dT > 0)。(f,g) 重复的光脉冲(PW = 50毫秒)在Vds = 0.5伏和Vds = ?0.5伏下分别诱导电流的增强和抑制。(h) 在256个光脉冲上提取的增强和抑制特性,显示出分别为0.89和0.87的高线性因子。整体电流演变源于在施加电场下热电极化和玻罗计电阻调制的分合作用。激光脉冲宽度是决定热电响应的关键参数,如图3c所示。长脉冲(PW = 800毫秒)允许热波完全通过纳米线,产生较大的温度变化,从而导致更高的电流幅度。相比之下,短脉冲由于快速的加热-冷却循环限制了热扩散,导致温度变化较小,热电流较弱。这种行为反映了脉冲持续时间和热扩散之间的相互作用:较长脉冲促进更完整的热响应,而较短脉冲产生更尖锐但空间上更受限的温度变化[22, 23]。为了进一步阐明Te纳米线的神经形态特性,进行了配对脉冲促进(PPF)测量(图3d,e)。PPF是一种基本的短期突触可塑性,它使得连续刺激的时间处理成为可能——这是解码生物系统中听觉和视觉信息的关键机制[24]。两个连续的光脉冲(PW = 200毫秒)以不同的脉冲间隔(Δt)应用于Te纳米线装置。PPF比率,定义为第二次冷却引起的热电流(A2)与第一次(A1)的比率,在Δt = 20毫秒时达到最大值约4,并随着Δt的增加而单调衰减,显示出生物突触中的典型指数衰减。PPF对Δt的依赖性可以通过双指数模型很好地拟合[24, 25]:PPF = 1 + C1exp(–x/τ1) + C2exp(–x/τ2),其中C1 = 0.7,C2 = 10代表初始增强幅度,τ1 = 14毫秒和τ2 = 1.5秒分别对应快速和慢速的松弛时间常数。这些时间常数与生物突触非常接近,证实Te纳米线装置有效地模拟了神经处理的时间动态。在重复的光学刺激下,装置显示出逐渐的导电性增强,表明了短期可塑性(图3f)。每次刺激后提取的增强电流在图3g中绘制,显示出0.89的高线性因子。这种近乎均匀的突触权重更新对于稳定的、可预测的神经形态学习至关重要,突显了Te纳米线中热驱动的突触行为的稳健性。

2.3 Te纳米线中的热电-玻罗计耦合协同效应

在施加的漏源偏压(Vds)下,Te纳米线装置的光响应如图4a,b所示。引入外部偏压显著放大了响应幅度,与无偏压条件相比。此外,偏压极性决定了热诱导电流的方向:在正Vds下,加热阶段(激光开启)时负电流占主导地位,而在冷却阶段(激光关闭)时出现正电流;当施加负Vds时,这一顺序反转。这种偏压依赖的反转主要源于相反电场下的自发极化反转,这与图2中讨论的极化切换一致,还有场驱动的载流子漂移的额外贡献。这些效应共同实现了对热生成电荷流的方向控制,使装置能够模拟兴奋性和抑制性突触响应——这是自适应光电和神经形态系统的重要能力[26]。Vds对响应速度的影响如图4c所示。在零偏压下,光响应的上升和衰减时间分别约为48毫秒和22毫秒。施加外部场加速了这两个过程:上升时间减少到约30毫秒,衰减时间显著改善到约130微秒。这种增强源于两个协同机制:(i) 施加的电场降低了Te纳米线/金属结的势垒,促进了加热和冷却期间的快速电荷重新分布;(ii) 电场驱动的载流子漂移加速了通道内的电荷传输,加快了整个热循环中的电荷提取和松弛[27, 28]。除了热电贡献之外,加热和冷却电流之间的明显不对称性表明还有一个额外的热驱动过程对总体信号有所贡献。这种不对称性归因于玻罗计效应,其中激光诱导的加热增加了Te纳米线的电阻率。在照明过程中,光热加热提高了Te纳米线的晶格温度,导致电阻率增加,因为装置在Vgs = 0伏时处于金属状态,低于Vgs ≈ 3伏附近的金属-绝缘体转变(MIT)(图4d,e)。温度依赖的输出特性(图S8)显示电流随温度升高而单调减少,与金属导电性一致。线性的I-V行为进一步确认了欧姆接触,排除了光生伏打效应对光响应的贡献。这种金属行为源于Te纳米线相对较高的内在空穴浓度(约10^18厘米^-3,详见注解S1),这减轻了库仑散射,并促进了离域载流子的传输[29, 30]。由此产生的电阻增加抑制了内在电流,在加热阶段产生了额外的玻罗计贡献,与热电信号叠加。当开始冷却时,电阻恢复到其初始值,减少了玻罗计贡献,使得热电极化的变化主导了瞬态响应。因此,热电和玻罗计贡献产生了特征性的电流不对称性,强调了极化动力学和温度依赖性电阻共同决定了瞬态光响应。在上述热电和玻罗计效应的协同耦合基础上,在相反的漏极偏压下重复光学刺激下检查了Te纳米线(NW)装置的突触功能(图4f–h)。热电响应产生了由温度变化率(dT/dt)控制的快速瞬态电流,使得在光学激发下能够进行类似脉冲的传感,而玻罗计效应引入了温度依赖的电阻变化,允许在施加偏压下逐渐的导电性演变。它们的协同作用产生了类似脉冲的响应以及可控的基线调制,实现了多级导电状态。值得注意的是,双极光电流的对称性强烈依赖于光学刺激条件,特别是脉冲宽度和脉冲重复。对于单个持续时间相对较长的光脉冲(图4c),装置经历了一个完整的加热-冷却循环,允许温度上升并随后放松。这导致了几乎对称的双极瞬态。在神经形态测量中使用的短而重复的光学刺激下(图4f,g),装置温度在脉冲之间没有完全恢复到平衡状态,导致逐渐的热积累,增强了玻罗计电阻调制。因此,瞬态脉冲叠加在一个缓慢漂移的基线电流上,导致了在重复刺激期间的不对称或看似单极的响应。在正偏压(Vds = 0.5伏)下,连续的光脉冲逐渐诱导电流的逐渐增加,显示出逐步的增强(图4f)。相反,负偏压(Vds = ?0.5伏)导致电流的逐渐减少,对应于突触抑制(图4g)。在256个脉冲上的累积响应(图4h)显示了平滑且对称的导电性变化,增强和抑制的线性因子分别为0.89和0.87,表明了近似的均匀权重更新。这种高线性和可重复性对于神经形态网络中的精确权重调制是理想的。这些结果确立了Te纳米线作为能够通过光热刺激实现偏压编程的增强和抑制的稳健光活性人工突触的能力。

基于所展示的热电和玻罗计功能,我们实现了一个基于Te纳米线的视网膜形态视觉系统,该系统在单个硬件平台上集成了光学/热感应、记忆和处理功能(图5a)。该系统架构受到生物视网膜的启发,其中光感受器捕捉光,双极细胞执行初步信号处理,神经节细胞将这些信号转换为传递到大脑的脉冲输出[31]。类似地,Te纳米线单元作为一个光敏突触,直接将光热刺激转换为具有内在记忆的电信号,从而在设备级别合并了感应和处理功能。图5b示意性地说明了图像到光脉冲的编码和刺激配置,阐明了如何在设备框架内捕获、转换和预处理光学信息。来自MNIST数据集的20 × 20像素手写数字图像被下采样,并分割成光学脉冲序列。每组五个连续的像素从左到右顺序读取,被转换为5位的光脉冲序列,其中二进制“0”和“1”分别对应白色和黑色像素,每个图像产生80个顺序输入脉冲。这些光脉冲序列被传递给Te纳米线突触装置,该装置产生了独特的瞬态电流,作为神经网络的加权输入。图5c展示了五个编码脉冲序列的代表性突触响应,而实时电流响应在图S9中提供。时间导电性演变显示出线性和强烈的历史依赖性,产生了由输入序列决定的多个稳定且可复制的导电状态。由于每个5位序列(2^5 = 32种可能的组合)产生一个独特的导电状态,Te纳米线装置实现了32个不同的最终电流水平,如图5e所示。这种行为证实了模拟信号编码和计算所需的多级特性。然后,这些实验获得的电流矩阵被提供给一个完全连接的神经网络(图5d)。网络架构包括两个隐藏层,每个隐藏层有100个由S型函数激活的神经元和10个由线性激活函数激活的神经元。SoftMax分类器计算了十个类别(数字0-9)的概率分布。该模型使用48,000张图像进行了100个周期的训练,每个周期的批量大小为32张图像。经过优化后,训练好的网络能够准确地将光输入映射到相应的数字类别。在测试阶段,使用12,000张图像时,Te NW视网膜形态系统实现了97%的分类准确率(图5f,g)。混淆矩阵(图5f)证实了所有数字类别的识别准确率都非常高,而准确率曲线(图5g)显示出在无偏和有偏条件下系统都显示出稳定的收敛性。32个输出电流的完整集合以及相应的有偏条件混淆矩阵在图S10中提供。我们设备中的协同热电-玻尔兹曼耦合本质上来源于光热加热,因此在无偏和有偏条件下都能工作。通过在不同的漏极偏压条件下评估设备,可以区分自驱动状态(Vds = 0 V)和偏压辅助状态(Vds ≠ 0 V),从而了解施加的电场如何影响信号幅度、极性控制以及导电调制。这种比较阐明了内在的光热过程和场辅助载流子动力学在决定视网膜形态计算性能中的各自作用。这些结果表明,Te NW突触设备能够实现可靠的光驱动神经计算,有效地在一个紧凑、节能的硬件平台上桥梁了光热感知和机器学习。

基于Te纳米线的硬件实现用于视网膜形态视觉和传感器内计算。(a) Te纳米线人工视网膜的概念图,将光学传感、存储和处理集成在一个设备中。该架构模仿了生物视网膜,其中类似光感受器的Te纳米线模仿了光感受器-双极细胞-神经元的路径,将光刺激转换为突触信号。(b) 光学编码和测量的示意图。一个降采样的20 × 20 MNIST数字图像被转换成80组5位光脉冲序列(二进制“1”和“0”分别对应黑白像素),并传递给Te纳米线突触设备。(c) 五个光脉冲序列的代表性输出电流,显示出由时间输入模式决定的不同导电状态。(d) 用于模式分类的具有两个隐藏层(100个和100个神经元)的神经网络架构。(e) 在Vds = 0 V时,32个独特5位输入序列的测量输出电流。(f) 在Vds = 0 V时获得的混淆矩阵。(g) 手写数字识别的训练曲线,在Vds = 0.5、-0.5和0 V时的准确率分别为92%、94%和97%。这些结果突显了Te纳米线突触设备在低功耗、受视觉启发的传感器内计算中的潜力。为了检验所提出的设备概念的可扩展性,制造了一个一维的1 × 5阵列的Te NW热电-玻尔兹曼传感器(图S11)。为了使用这个多设备平台评估阵列级的人工视觉,我们构建了一个定制的手写数字数据集(0-9),其中每张图像由一个[5 × 5]像素矩阵表示(图S12a)。每个像素包含两个强度级别,黑色和灰色,这些被转换为二进制光脉冲(黑色=1,激光开启;灰色=0,激光关闭)。像素按列顺序读取,生成5位光脉冲序列,应用于[1 × 5]阵列,实现视觉信息的时空编码(图S12b)。来自设备#1–#5的光热响应将空间像素信息映射成电信号,产生不同数字图像的独特电流分布(图S13)。这些编码的电流信号随后被用作基于逻辑回归的监督学习框架的输入特征。经过100次训练迭代后,分类器在随机25张测试图像上的整体识别准确率为80%,如混淆矩阵(图S14)所示。这些结果表明,1 × 5 Te NW传感器阵列生成的光热响应保留了足够的空间信息,以实现可靠的数字识别,突显了使用热电-玻尔兹曼设备进行神经形态视觉处理的可行性。

3 结论
我们的研究确立了Te纳米线作为一个通过热电效应和玻尔兹曼效应的协同耦合实现热电能量转换的稳健平台。在光热激发下,自发极化和电导同时被调制:边缘诱导的对称性破坏保持了热电极化,而温度依赖的电阻率决定了玻尔兹曼响应。这些机制的协同作用放大了热驱动的光电流,并促进了双向的、受偏压控制的兴奋性和抑制性突触调制。利用这些功能,我们展示了一个集成光热传感、存储和神经形态计算的视网膜形态视觉系统,通过光驱动的学习实现了97%的数字识别准确率,而无需外部电源。这些结果不仅加深了对低维Te材料中热电-玻尔兹曼耦合的理解,还凸显了其作为智能、节能的光电和传感技术多功能材料平台的潜力。

4 方法
4.1 告嘘烷合成
Te纳米线是通过水热法[32, 33]合成的。首先在室温下,将104毫克的亚碲酸钠(Na2TeO3)和0.548克的聚乙烯吡咯烷酮(PVP)溶解在33毫升的去离子水中,并在剧烈磁力搅拌下进行混合。随后向溶液中加入3.648毫升的氢氧化铵和1.824毫升的一水合肼。将得到的均匀混合物转移到一个涂有特氟龙的不锈钢高压釜中,并在180°C下加热20小时。通过5000转/分钟的离心分离5分钟后收集银灰色沉淀物,并用去离子水洗涤三次以去除残留杂质。纯化的Te纳米线储存在蒸馏水中,以供后续设备制造使用。

4.2 设备制造
六角形氮化硼(hBN;HQ Graphene)通过机械剥离法转移到聚二甲基硅氧烷(PDMS)印章上,而分散在蒸馏水中的Te纳米线则滴涂到单独的PDMS薄膜上。首先将hBN薄片转移到SiO2/Si基底上,提供一个原子级平坦、化学清洁的界面。然后将Te纳米线转移到hBN层上形成活性通道。通过电子束光刻(EBL)制作金属电极,随后通过电子束蒸发Pd/Au(30/80纳米)并进行剥离处理以完成设备结构。

4.3 特性分析
使用光学显微镜(OM,Olympus BX51M)检查了合成的Te样品和制造的设备的外观。样品的厚度和表面形貌通过非接触式原子力显微镜(AFM,Park Systems NX-10)进行表征。使用镀有Cr/Pt的导电探针进行压电力显微镜(PFM)测量以探测极化行为。在532纳米激光激发下,使用WITec Alpha 300系统收集拉曼光谱以确认材料质量和振动特性。电输运测量在室温下使用Keithley 4200参数分析仪进行,在200–300 K的温度范围内使用Keithley 2636A双通道源测量仪在封闭循环制冷机(CCR)中进行。532纳米激光的光学刺激通过函数发生器(33600A)进行调制,经过前置放大器(SR560)的信号放大和滤波后,由示波器(DSOX1102G)捕获瞬态光响应。详细的瞬态光电流设置见图S6。

4.4 神经网络计算
使用MNIST数据集进行手写数字识别任务,数据集包含48,000张训练图像和12,000张测试图像,每张图像都降采样到20 × 20像素以匹配光学脉冲编码方案。在Python中使用Keras库和TensorFlow后端实现了全连接前馈神经网络。网络包括一个输入层,随后是两个隐藏层,分别包含100个和100个神经元,激活函数分别为sigmoid和线性函数。输出层包含10个神经元,采用SoftMax激活函数,提供数字类别(0-9)的标准化概率分布。SoftMax分类器实现了训练和推理期间的监督学习和分类准确性的定量评估。

4.5 DFT分析
通过第一性原理密度泛函理论(DFT)计算来探究代表Te纳米线表面层的Te片层的电子结构和极化行为。Te(100)表面使用四层片层模型进行建模,其中在垂直于平面的方向引入了18 ?的真空区域以防止周期性图像之间的虚假相互作用。所有计算都是使用Quantum ESPRESSO软件包[34, 35]进行的。对于Kohn–Sham波函数和电子密度,采用了平面波基组,而价电子和离子核之间的相互作用则使用来自Materials Cloud Project [36]的优化规范守恒Vanderbilt(ONCV)赝势描述。对于波函数,动能截止值设置为30 Ry;对于电荷密度,动能截止值设置为240 Ry。交换-相关效应在PBE泛函中处理。所有原子坐标都经过放松,直到每个原子上的Hellmann–Feynman力低于0.001 eV ??1。分别使用Monkhorst–Pack k点网格5 × 2 × 1和10 × 2 × 1进行总能量和极化计算。Te层状片层的电极化使用Berry相位形式主义[37]在Quantum ESPRESSO中计算。为了研究两种对称相关极化状态之间的转换,我们使用线性插值近似对α和α′配置之间的层中心原子(LCA)进行了攀爬图像 nudged弹性带(NEB)计算。对于每个插值结构,仅进行了自洽场(SCF)计算(不进行原子放松),以确定能量障碍和极化随LCA位移的演变。

作者贡献
S.J.L. 设计了研究,设计了实验,监督了研究,并编辑了手稿。T.U.T. 进行了大部分实验工作,进行了数据分析,并参与了理论概念的开发。N.T.D. 协助建立了测量装置并实现了神经网络计算。N.L.N. 负责所有的DFT分析。M.C.N. 和 N.Y.L. 进行了PFM测量。K.S.S. 准备了用于TEM测量的样品。所有作者都参与了研究讨论并对手稿的修订做出了贡献。

致谢
本研究得到了韩国国家研究基金会基础科学研究计划的支持,并由韩国政府(MSIP)资助(授权号:RS-2023-00281048)。本研究还得到了三星电子有限公司(IO251217-14774-01)的支持。

利益冲突
作者声明没有利益冲突。

数据可用性声明
支持本研究发现的数据可以根据合理请求从相应的作者处获得。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号