. 이러한 결과는 원자적으로 얇은 상관(연관) 이종구조에서 지금까지는 드러나지 않았던 전자 상(phase)의 광범위한 계면 조절 가능성을 강조한다. 또한, 본 실험 플랫폼은 다양한 상관 물질의 계면 전자 상을 제어하는 방법을 제시한다.

자성 상태를 규명하는 것은 다양한 응용 분야에서 큰 관심을 받는 주제이지만, 중성자 산란 실험의 한계로 인해 직접적인 식별이 항상 용이하지는 않다. 본 연구에서는 스핀 적분 여기 스펙트럼(예: 상태밀도)으로부터 자성을 식별하기 위해 결정 트리 알고리즘을 사용하는 기계학습 접근법을 제시한다. 데이터셋은 바탕이 되는 원자 수준의 계산에서 얻은 정보를 대상으로 하여 Wannier Hamiltonian 위에서 가능한 반강자성 질서 후보들에 대한 Hartree–Fock 평균장(mean-field) 계산을 수행함으로써 생성하였다. 이는 BaOsO ${}_3$ ${}_3$ 를 표적으로 하는 제1원리 계산에서 추출하였다. 본 기계학습 모델은 국소 상태밀도, 고대칭 점에서의 운동량 분해 상태밀도, 페르미 준위로부터의 최저 여기 에너지 등 다양한 유형의 스펙트럼 데이터를 사용하여 학습하였다. 상태밀도는 기계학습에 대해 전반적으로 우수한 성능을 보였으나, 스펙트럼 선폭(broadening) 방법이 모델의 성능에 유의미한 영향을 미치는 것으로 나타났다. 우리는 여기 에너지를 기계학습의 특징(feature)으로 설계함으로써 모델의 성능을 향상시켰으며, 기계학습에 사용한 학습 샘플과는 다른 방법으로 생성된 시험 샘플에서도 반강자성 질서에 대한 탁월한 분류 성능을 달성하였다.

. 이러한 결과는 원자적으로 얇은 상관(연관) 이종구조에서 지금까지는 드러나지 않았던 전자 상(phase)의 광범위한 계면 조절 가능성을 강조한다. 또한, 본 실험 플랫폼은 다양한 상관 물질의 계면 전자 상을 제어하는 방법을 제시한다.

자성 상태를 규명하는 것은 다양한 응용 분야에서 큰 관심을 받는 주제이지만, 중성자 산란 실험의 한계로 인해 직접적인 식별이 항상 용이하지는 않다. 본 연구에서는 스핀 적분 여기 스펙트럼(예: 상태밀도)으로부터 자성을 식별하기 위해 결정 트리 알고리즘을 사용하는 기계학습 접근법을 제시한다. 데이터셋은 바탕이 되는 원자 수준의 계산에서 얻은 정보를 대상으로 하여 Wannier Hamiltonian 위에서 가능한 반강자성 질서 후보들에 대한 Hartree–Fock 평균장(mean-field) 계산을 수행함으로써 생성하였다. 이는 BaOsO ${}_3$ ${}_3$ 를 표적으로 하는 제1원리 계산에서 추출하였다. 본 기계학습 모델은 국소 상태밀도, 고대칭 점에서의 운동량 분해 상태밀도, 페르미 준위로부터의 최저 여기 에너지 등 다양한 유형의 스펙트럼 데이터를 사용하여 학습하였다. 상태밀도는 기계학습에 대해 전반적으로 우수한 성능을 보였으나, 스펙트럼 선폭(broadening) 방법이 모델의 성능에 유의미한 영향을 미치는 것으로 나타났다. 우리는 여기 에너지를 기계학습의 특징(feature)으로 설계함으로써 모델의 성능을 향상시켰으며, 기계학습에 사용한 학습 샘플과는 다른 방법으로 생성된 시험 샘플에서도 반강자성 질서에 대한 탁월한 분류 성능을 달성하였다.

베리 곡률(BC)은 물질의 위상적 상들을 지배하며 이상 수송을 발생시킨다. 자성장이 가해지면, 스핀-격자 결합을 통해 음파(phonon)가 간접적으로 BC를 획득하여 선형 포논 홀 효과가 나타날 수 있다. 여기서 우리는 극성 격자 왜곡이 포논 BC 쌍극자(phonon BC dipole)와 직접 결합하여 스위치 가능한 비선형 포논 홀 효과를 유발함을 보인다. SnS 단일층에서 평면 내(인플레인) 강유전체성은 포논 BC를 유도하고 비휘발성 BC 메모리 효과의 포논(phononic) 버전으로 이어진다. 강유전체성-포논 결합의 새로운 유형으로서 포논 라시바 효과(phonon Rashba effect)가 나타나며, 기울어진 웨일 포논 모드에서 질량 갭(mass gap)을 열어 큰 포논 BC 쌍극자를 초래한다. 또한, 우리의 제1원리 비평형 분자역학(ab initio non-equilibrium molecular dynamics) 시뮬레이션 결과는 강유전체 스위칭을 통해 비선형 포논 홀 수송이 제어 가능한 방식으로 발생함을 보여준다. 강유전체성에 의해 구동되는 포논 BC와 이에 상응하는 비선형 포논 수송은 위상적 포논 수송/메모리 장치를 구성하기 위한 새로운 설계 방안을 제공한다.

현재의 실리콘 기반 CMOS 소자는 크기 다운스케일링과 전력 손실이라는 물리적 한계에 직면해 있어, 신흥 기술에 대한 데이터 저장 및 정보 처리 요구를 충족할 능력이 제한된다. 가능한 대안 중 하나는 스핀트로닉스(spintronics)에서와 같이 비휘발성 자성 상태에 정보를 인코딩하고 전기적으로 해당 스핀 상태를 조작하는 것이다. 그러나 현재의 스핀트로닉 장치는 자화(magnetization)의 전류 구동 제어에 의존하며, 이 과정에는 줄열(Joule heating)과 전력 소산이 수반된다. 이러한 한계는 에너지 효율적인 소자 구동을 달성하기 위해 전압 구동 방식으로 스핀 신호를 조작하려는 연구를 활발히 촉진해 왔다. 여기에서는 페르미 준위(Fermi level) 조정을 통해 실온에서 그래핀 기반 이종구조(graphene-based heterostructures)에서 비휘발성 스핀-전하 변환의 제어를 보여준다. 우리는 그래핀에 비휘발성 충전을 유도하기 위해 폴리머(고분자) 강유전체(fereoelectric) 박막을 사용한다. 스핀-전하 변환의 스위칭을 입증하기 위해 강자성 공명(ferromagnetic resonance) 및 역 에델슈타인(inverse Edelstein) 효과 실험을 수행한다. 출력 전압의 부호 변화는 캐리어(carrier) 종류의 변화로부터 도출되며, 이는 전압 펄스만으로도 달성 가능하다. 본 연구 결과는 스핀-전하 변환의 전기장 제어를 위한 대안적 접근을 제공하며, 이는 차세대 스핀-오빗로닉(spin-orbitronic) 메모리 및 논리 소자의 핵심 구성 요소를 이룬다.

이종 계면. 우리는 고급 주사 투과 전자현미경을 사용하여 SRO의 OOT 근접 길이 척도가 4개 단위격자에서 14개 단위격자로 연장됨을 입증하였다. 또한 이와 같은 변이는 SRO에서 전자-포논 결합에 의해 포논 분산이 변화하기 때문일 수 있음을 제안한다. 본 연구는 연관된 계의 구조적 구배에 대한 심층적인 통찰을 제공하고 잠재적인 소자 응용을 촉진할 것이다.

자성 물질의 자기 상태를 규명하는 일은 광범위한 응용 분야에서 큰 관심을 받고 있으나, 중성자 산란 실험의 한계로 인해 직접적인 식별이 항상 용이하지는 않다. 본 연구에서는 스핀-적분 여기 스펙트럼(예: 상태밀도)으로부터 의사결정 트리 알고리즘을 사용하는 기계학습 접근법을 통해 자성을 식별하는 방법을 제시한다. 데이터셋은 BaOsO3를 대상으로 한 제일원리 계산으로부터 추출된 Wannier 해밀토니언 위에서, 가능한 반강자성 정렬을 하트리-포크 평균장 계산으로 생성하였다. 우리의 기계학습 모델은 국소 상태밀도, 고대칭 점에서의 운동량 분해 상태밀도, 페르미 준위로부터의 최저 여기 에너지 등 다양한 형태의 스펙트럼 데이터를 사용해 학습하였다. 상태밀도는 기계학습에서 양호한 성능을 보였지만, 스펙트럼 선폭(broadening) 방법이 모델 성능에 큰 영향을 미쳤다. 우리는 여기 에너지를 기계학습의 특성으로 설계함으로써 모델 성능을 향상시켰으며, 기계학습에 사용된 학습 샘플과는 다른 방법으로 생성된 테스트 샘플에서도 반강자성 정렬을 매우 우수하게 분류할 수 있었다.