Transport quantique dans les systèmes bidimensionnels : intelligence artificielle appliquée à la science des matériaux

Quantum transport in two-dimensional systems : artificial intelligence applied to material science

• Auteur / Autrice : Gaëtan Percebois
• Direction : Dietmar Weinmann
• Type : Thèse de doctorat
• Discipline(s) : Physique de la matière condensée
• Date : Soutenance le 29/09/2023
• Etablissement(s) : Strasbourg
• Ecole(s) doctorale(s) : École doctorale Physique et chimie-physique (Strasbourg ; 1994-....)
• Partenaire(s) de recherche : Laboratoire : Institut de physique et chimie des matériaux (Strasbourg)
• Jury : Président / Présidente : Fabrice Thalmann
• Jury : Examinateurs / Examinatrices : Riccardo Hertel, Hermann Sellier
• Jury : Rapporteurs / Rapporteuses : Natalia Ares, Florian Marquardt

Mots clés

Mots clés contrôlés

Transport quantique

Gaz d'électrons

Hétérostructures

Mots clés libres

Physique mésoscopique

Gaz d'électrons bidimensionnel

Microscopie à grille locale

Désordre

Hétérostructure

Points de contacts quantiques

Deep learning

Intelligence artificielle

Mesoscopic physics

Two-dimensional electron gas

Scanning gate microscopy

Disorder

Heterostructure

Quantum point contacts

Deep learning

Artificial intelligence

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.

Heterostructures represent one of the most widely employed devices for generating a two-dimensional electron gas (2DEG). However, the precise transport properties of electrons within such devices remain neither completely controllable nor predictable. This is mainly due to the presence of randomly located ionized dopants, that are necessary for creating the electron gas. However, due to the Coulombic interactions, the electron motion is impacted, which results in a disorder potential. In this study, we introduce a method to determine this disorder potential using local transport information obtained from scanning gate microscopy (SGM) experiments. The mapping between the data captured in an SGM image and the disorder potential is achieved through the utilization of a deep learning algorithm. We have demonstrated that this inverse problem can be solved, and we have been able to determine the disorder potential within a real experimental heterostructure. In this manuscript, we detail the employed methodology, making it replicable for other devices.