Descrizione del progetto
Sfruttare i materiali bidimensionali e l’apprendimento profondo per soluzioni energetiche sostenibili
La sfida globale legata all’energia, costituita da un aumento costante del suo consumo pro capite e dalla lentezza della transizione verso le fonti di energia rinnovabile, richiede un intervento urgente. L’UE sta compiendo passi in avanti verso lo sviluppo di soluzioni energetiche sostenibili, tra le quali vi sono le fonti di energia rinnovabile, le tecnologie ad alta efficienza energetica e le pratiche di consumo responsabile. Per contribuire a questi sforzi, il progetto AI4SPIN, finanziato dal Consiglio europeo della ricerca, si propone di sviluppare una tecnologia elettronica a bassissima potenza avvalendosi di materiali bidimensionali e di eterostrutture di van der Waals, caratterizzati da proprietà quantistiche ottimizzate. Il progetto sfrutterà le reti neurali profonde e le simulazioni di trasporto quantistico per progettare uno strumento in grado di calcolare le efficienze della coppia spin-orbita. Questo dispositivo, che si baserà sulle reti neurali profonde e su un ottimizzatore di struttura computerizzato, spianerà la strada a soluzioni energetiche più sostenibili e maggiormente efficienti.
Obiettivo
The steady increase in energy consumption per capita and the slow transition toward renewable energy sources is becoming a serious global problem, making energy efficiency paramount for new technologies. Two-dimensional materials offer an encouraging path toward ultra-low-power electronics due to our capability to combine them into Van der Waal heterostructures with tailored quantum properties based on their constituents. The spin-orbit torque (SOT) memories are technological prospects that consume a fraction of conventional memories' power. Still, they offer superior speed and storage capacity and were further improved when using 2D materials as building blocks instead of 3D metallic systems. Recently theoretical efforts demonstrated the existence of thousands of potentially synthesizable 2D materials, opening an exponentially larger pool to mine for optimized heterostructures which brute-force approaches cannot tackle. This project aims at developing artificial intelligence that will propose optimized Van der Waal heterostructures for spin-orbit torques. To this end, we will first construct an automatic material assessment (AUTOMATA) tool based on deep neural networks that will perform numerical modeling and quantum transport simulations autonomously to compute the spin-orbit torque efficiencies. In parallel, we will develop a computer-assisted structure (COMPASS) optimizer that will propose new systems for spin-orbit torques by using an evolutionary strategy. The AUTOMATA tool will rank the candidates generated by the COMPASS optimizer, and we will use those with superior performance to improve the COMPASS optimizer prediction. The successful combination of these tools will accelerate the development of technologies by automatizing the material selection phase through this quantum mechanical optimization process. Although we apply it to spin-orbit torques, it is, with little effort, generalizable to any electrical response functions.
Campo scientifico (EuroSciVoc)
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classifica i progetti con EuroSciVoc, una tassonomia multilingue dei campi scientifici, attraverso un processo semi-automatico basato su tecniche NLP. Cfr.: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
È necessario effettuare l’accesso o registrarsi per utilizzare questa funzione
Parole chiave
Programma(i)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Argomento(i)
Invito a presentare proposte
(si apre in una nuova finestra) ERC-2022-STG
Vedi altri progetti per questo bandoMeccanismo di finanziamento
HORIZON-ERC - HORIZON ERC GrantsIstituzione ospitante
08193 Cerdanyola Del Valles
Spagna