Titolo della tesi: Study of the thermodynamics and kinetic anomalies of Antimony-based phase-change materials by machine-learned molecular dynamics
La crescita esponenziale dei dati generati globalmente e la diffusione di data center e di modelli di machine learning ad alto consumo energetico, non sono sostenibili a lungo termine a meno che non vengano sviluppate tecnologie di archiviazione dati e di elaborazione più efficienti.
Tra i dispositivi di nuova generazione più promettenti, figurano le memorie non volatili ultraveloci e le unità di calcolo neuromorfiche, cioè ispirate al funzionamento del cervello. Il cuore di queste tecnologie è costituito dai materiali a cambiamento di fase (phase-change materials), leghe di elementi dei gruppi da IV a VI che presentano proprietà uniche di commutazione reversibile tra una fase solida amorfa resistiva e un cristallo conduttivo, su una scala temporale di centinaia di nanosecondi.
La progettazione e l'ottimizzazione dei materiali a cambiamento di fase sono strettamente legate alla fisica dei liquidi sottoraffreddati, ovvero la fase metastabile di un liquido portato al di sotto del punto di fusione. La comprensione della cinetica e della termodinamica di materiali complessi in condizioni di sottoraffreddamento profondo è ora alla portata delle simulazioni atomistiche, grazie all'avvento dei potenziali interatomici machine-learning addestrati su dati ab-initio (ab-initio machine-learning potentials).
In questo lavoro ci concentriamo sull'antimonio (Sb), un recente candidato per materiali a cambiamento di fase monoatomici, e su leghe Ge-Sb ad alto contenuto di Sb. Nella lega Ge15Sb85 sono state riportate tracce di una transizione liquido-liquido in esperimenti con raggi X al femtosecondo supportati da simulazioni ab-initio. Con questa motivazione, ricerchiamo possibili segni di transizione liquido-liquido nell'Sb puro utilizzando un potenziale machine-learning sviluppato in letteratura.
Esplorando sistematicamente i cristalli che si formano spontaneamente dalla fase SCL, scopriamo una fase di Sb non ancora segnalata in letteratura. Una struttura stratificata A17 (fosforo nero) emerge dal liquido decompresso, ed è l'unica fase cristallina che osserviamo al di sotto di –1 GPa.
Nella fase SCL, misuriamo anomalie termodinamiche e strutturali simili a quelle dell'acqua, che suggeriscono la presenza di una transizione liquido-liquido. Introduciamo dunque un parametro di ordine ottaedrico ad-hoc, analogo al parametro tetraedrico dell'acqua, per descrivere queste anomalie in termini di un liquido strutturato emergente a bassa temperatura, ed eseguiamo un fit con un modello Two-State, a due stati. Il calcolo diretto dell'entropia configurazionale non fornisce alcuna prova di un crossover cinetico, indicando che l'Sb è un sistema altamente fragile.
Infine, addestriamo un potenziale machine-learning per Sb utilizzando l'architettura AlphaNES recentemente sviluppata nel nostro Dipartimento, che a pressione ambiente raggiunge una precisione paragonabile al potenziale esistente. Sulla base di questa esperienza, generiamo un dataset ab-initio dedicato per Ge15Sb85, comprendente quasi 200k atomi in totale, su cui addestriamo un potenziale machine-learning con il metodo NeuroEvolution Potential. La validazione di questo AIMLP ne conferma la robustezza contro l'overfitting e l'idoneità alla modellazione multifase per studi futuri su questa lega complessa.