Transport quantique dans les systèmes bidimensionnels : intelligence artificielle appliquée à la science des matériaux
Langue Anglais
Accéder au document

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

 
Auteur : Percebois, Gaëtan
Date de soutenance : 29-09-2023

Directeur(s) de thèse : Weinmann, Dietmar

Établissement de soutenance : Strasbourg
Laboratoire : Institut de physique et chimie des matériaux (Strasbourg)
École doctorale : École doctorale Physique et chimie-physique (Strasbourg ; 1994-....)
 
Discipline : Physique de la matière condensée
Classification : Physique, Sciences de l'ingénieur

Mots-clés libres : Physique mésoscopique, Gaz d'électrons bidimensionnel, Microscopie à grille locale, Désordre, Hétérostructure, Points de contacts quantiques, Deep learning, Intelligence artificielle
Mots-clés :
  • Hétérostructures
  • Gaz d'électrons
  • Transport quantique
Résumé : Les hétérostructures représentent l'un des dispositifs les plus largement utilisés pour générer un gaz d'électrons bidimensionnel (2DEG). Cependant, les propriétés exactes de transport des électrons au sein de tels dispositifs ne sont pas complètement contrôlables et prévisibles. Cela est principalement dû à la présence de dopants ionisés, nécessaires à la création du gaz d’électrons, qui impactent le mouvement des électrons par le biais d'interactions coulombiennes, entraînant ainsi un potentiel de désordre. Dans cette étude, nous introduisons une méthode pour déterminer ce désordre en utilisant des données de transport locales obtenues à partir d'expériences de microscopie à grille locale (SGM). La correspondance entre les données capturées dans une image SGM et le potentiel de désordre est réalisée grâce à l'utilisation d'un algorithme de deep learning. Nous avons démontré que ce problème inverse peut être résolu, et avons déterminé le potentiel de désordre au sein d'une véritable hétérostructure expérimentale. Dans ce manuscrit, nous présentons en détail la méthodologie employée, la rendant ainsi reproductible pour d'autres dispositifs.
 
Type de contenu : Text
Format : PDF
 
Entrepôt d'origine : STAR : dépôt national des thèses électroniques françaises
Identifiant : 2023STRAE033
Type de ressource : Thèse