Professional Documents
Culture Documents
Tese de Doutorado
Tese apresentada ao Programa de Psgraduao em Nanotecnologia do Departamento de Engenharia Eltrica da PUCRio como requisito parcial para obteno Do ttulo de Doutor
em Nanotecnologia
Orientador
: Prof. Marco Aurlio C. Pacheco
CoOrientador:
Prof. Andr Silva Pimentel
Rio de Janeiro
Agosto de 2009
Tese apresentada ao Programa de Psgraduao em Nanotecnologia do Departamento de Engenharia Eltrica do Centro Tcnico Cientfico da PUC-Rio como requisito parcial para
obteno Do ttulo de Doutor em Nanotecnologia. Aprovada
pela Comisso Examinadora abaixo assinada.
Graduou-se em Engenharia de Computao na Pontifcia Universidade Catlica do Rio de Janeiro. Mestrado na rea de Sistemas
de Apoio Deciso no Departamento de Engenharia Eltrica da
Pontifcia Universidade Catlica do Rio de Janeiro.
Ficha Catalogrfica
CDD: 510
Aos meus pais Paulo Antnio e Cora Alice e minha esposa Adrissa
Agradecimentos
Resumo
Vilela Neto, Omar Paranaiba; ; . Projeto, Otimizao, Simulao e
Predio de Propriedades de Nanoestruturas atravs de Tcnicas
da Inteligncia Computacional: Nanotecnologia Computacional Inteligente. Rio de Janeiro, 2009. 162p. Tese de Doutorado Departamento de Engenharia Eltrica, Pontifcia Universidade Catlica do Rio
de Janeiro.
Esta tese investiga o potencial das tcnicas da Inteligncia Computacional (Redes Neurais e Algoritmos Genticos) no apoio ao desenvolvimento da Nanocincia
e Nanotecnologia. As aplicaes da Inteligncia Computacional (IC) investigadas
envolvem a simulao, a inferncia, a otimizao e a sntese de nanoestruturas e nanodispositivos. O apoio dos sistemas de computao nesta rea vem sendo denominado Nanotecnologia Computacional ou Nanocincia Computacional. O apoio
mais comum atravs do uso de simuladores dedicados a nanodispositivos especficos e dos mtodos de modelagem molecular que usam teorias da mecnica clssica
e quntica para imitar o comportamento de sistemas atmicos e moleculares, sendo
possvel preverem caractersticas de nanoestruturas. Esta tese investiga a aplicao
das tcnicas de Inteligncia Computacional (IC) nas metodologias citadas acima e
tambm na predio de caractersticas de dispositivos a partir de dados experimentais. Neste caso, utilizam-se as Redes Neurais para construir sistemas de inferncia
capazes de relacionar um conjunto de parmetros de entrada com as caractersticas
finais das nanoestruturas, permitindo aos pesquisadores prever o comportamento de
outras nanoestruturas ainda no realizadas experimentalmente. A partir dos sistemas de inferncia, Algoritmos Genticos so ento empregados com o intuito de
encontrar o conjunto timo de parmetros de entrada para a sntese de uma nanoestrutura desejada. Numa outra linha de investigao, os Algoritmos Genticos so
usados para a otimizao de funes de base para clculos ab initio. Neste caso, so
otimizados os expoentes das funes gaussianas que compem as funes de base,
aprimorando alguns mtodos propostos na literatura. Em outra abordagem, os mtodos de computao evolutiva so aplicados na otimizao de agregados atmicos
e moleculares, permitindo aos pesquisadores estudar teoricamente os agregados formados experimentalmente. Por fim, o uso da computao evolutiva, aliado ao uso
de simuladores, aplicado na sntese automtica de OLEDs e circuitos de Autmatos Celulares com Pontos Qunticos (QCA), permitindo a obteno de solues
inovadoras e de alta eficincia. Os sistemas hbridos de otimizao e inferncia so
concebidos para prever a altura, a densidade e o desvio padro de pontos qunticos
auto-organizveis, apresentando erros percentuais muito baixos, prximo a 10%. O
mdulo de elasticidade de nanocompsitos tambm previsto por um sistema semelhante e apresenta erros percentuais ainda menores, por volta de 4%, superando os
modelos analticos propostos na literatura. Em ambos os casos os sistemas tornamse ferramentas importantes para a rea. Os Algoritmos Genticos, juntamente com o
software de modelagem molecular Gaussian03, otimizam os parmetros de funes
que geram expoentes de primitivas gaussianas de funes de base (para clculos
hartree-fock), obtendo energias menores do que aquelas apresentadas na literatura.
Os Algoritmos Genticos, em conjunto com algoritmos de otimizao local presentes no Gaussian03, tambm se mostram eficientes na busca pelas geometrias de
baixa energia dos agregados atmicos de (LiF)nLi+, (LiF)n e (LiF)nF-, obtendo
uma srie de novos ismeros ainda no propostos na literatura, principalmente para
n > 2. Uma metodologia semelhante aplicada em um sistema indito para entender a formao de agregados moleculares de H2O inicos, partindo-se de agregados
neutros. Os resultados mostram como os agregados podem ser obtidos a partir de
diferentes perspectivas, formando estruturas ainda no investigadas. Este trabalho
tambm apresenta a sntese automtica de circuitos de QCA robustos, ou seja, com
alto grau de polarizao das clulas de sada, minimizando a interferncia externa
ao circuito. Os circuitos obtidos apresentam grau de polarizao semelhante queles
propostos pelos especialistas, mas com uma importante reduo na quantidade de
clulas. Por fim, um sistema envolvendo Algoritmos Evolutivos e um modelo analtico de OLEDs multicamadas otimizam as concentraes de materiais orgnicos
em cada camada com o intuito de obter dispositivos mais eficientes. Os resultados
apresentam um dispositivo 9,7% melhor que uma soluo sintetizada anteriormente,
sendo estas comprovadas experimentalmente. Os resultados da pesquisa permitem
constatar que a indita integrao das tcnicas de Inteligncia Computacional com
Nanotecnologia Computacional, aqui denominada Nanotecnologia Computacional
Inteligente, desponta como uma promissora alternativa para acelerar as pesquisas
em Nanocincia e o desenvolvimento de aplicaes nanotecnolgicas.
Palavraschave
Nanocincia. Nanotecnologia. Qumica Computacional. Inteligncia
Computacional. Algoritmos Genticos. Redes Neurais Artificiais.
Abstract
Keywords
Sumrio
1 Introduo
1.1 Motivao
1.2 Objetivos
1.3 Contribuies
1.4 Descrio do Trabalho
1.5 Organizao do Trabalho
15
15
17
17
19
20
2 Nanotecnologia Computacional
2.1 Introduo
2.2 Taxonomia da Nanocincia e Nanotecnologia
2.3 Modelagem Molecular
2.4 Nanoinformtica
2.5 Simulao de Nanodispositivos
2.6 Computao de Alto Desempenho
2.7 Computao Inspirada na Nanotecnologia
21
21
24
25
34
36
36
37
39
39
47
58
58
59
67
77
77
84
93
93
95
96
97
98
98
107
107
108
109
114
118
128
8.1
Trabalhos Futuros
131
Referncias Bibliogrficas
134
149
153
158
162
Lista de figuras
16
21
40
43
22
24
24
25
45
46
48
50
51
53
56
57
60
61
61
63
64
65
66
67
68
68
71
72
73
74
74
75
76
80
80
83
84
85
85
86
87
90
91
109
109
110
110
110
112
113
113
120
122
123
Lista de tabelas
49
4.1
4.2
4.3
4.4
64
68
71
76
79
82
82
99
99
101
102
103
103
104
104
104
106
111
115
115
116
116
Lista de tabelas
14
7.6
7.7
7.8
7.9
7.10
7.11
7.12
B.1
B.2
B.3
B.4
C.1
C.2
C.3
C.4
117
117
120
121
125
126
127
158
159
160
161
1
Introduo
1.1
Motivao
Captulo 1. Introduo
16
Captulo 1. Introduo
17
Captulo 1. Introduo
18
da Nanocincia e Nanotecnologia. Diferentes estudos foram realizados e as contribuies fornecidas por este trabalho esto listadas a seguir:
Sistema de Inferncia de Nanoestruturas: esta tese props e desenvolveu
um sistema de inferncia capaz de caracterizar as propriedades de diferentes
nanoestruturas antes mesmo de sua produo. Tal sistema aqui denominado
Experimento Virtual. Tal caracterizao s pode ser realizada devido ao
desenvolvimento de um sistema computacional que, a partir de experimentos
anteriormente realizados, aprende a relacionar os parmetros de sntese das
nanoestruturas com as propriedades de sada. Neste trabalho, dois estudos
de casos diferentes so apresentados e ambos apresentam bons resultados.
Um estudo foi publicado no Journal of Crystal Growth (Singulani, 2008), um
dos mais renomados meios de circulao na rea de crescimento no meio
acadmico, e o outro foi recentemente submetido a uma importante revista
cientfica na rea de compsitos.
Projeto Automtico de Nanodispositivos: neste caso, utiliza-se Algoritmos
Genticos para o projeto automtico de nanodispositivos, otimizando a estrutura de modo a encontrar solues inovadoras e otimizadas. Dois tipos de
nanodispositivos diferentes foram automaticamente projetados neste trabalho.
Circuitos de Autmatos Celulares com Pontos Qunticos (QCA) robustos e
LEDs orgnicos emissores de luz. Ambos apresentaram solues inovadoras
e inimaginveis.
Otimizao de Parmetros para Simulao: os Algoritmos Genticos, juntamente com o software de modelagem molecular Gaussian03, otimizam os
parmetros de funes que geram expoentes de primitivas gaussianas de funes de base para clculos hartree-fock, obtendo energias menores do que
aquelas apresentadas nas referencias. Estes resultados sero em breve submetidos para publicao.
Otimizao de Agregados Atmicos e Moleculares: novamente os Algoritmos Genticos, em conjunto com algoritmos de otimizao local presentes no
Gaussian03, se mostram eficientes na busca pelas geometrias de baixa energia
dos agregados atmicos de (LiF)nLi+, (LiF)n e (LiF)nF-, obtendo uma srie
de novos ismeros ainda no propostos na literatura, principalmente para n >
2; Os resultados obtidos para os agregados neutros e positivos foram recentemente publicados no Journal of Physical Chemistry A (Fernandez, 2009).
J os resultados para os agregados negativos j foram aceitos e sero publicados em breve na mesma revista. Alm disso,Uma metodologia semelhante
aplicada em um sistema indito para entender a formao de agregados moleculares de H2O inicos, partindo-se de agregados neutros. Os resultados
Captulo 1. Introduo
19
mostram como os agregados podem ser obtidos a partir de diferentes perspectivas, formando estruturas ainda no investigadas na rea cientfica. Os
resultados obtidos esto sendo compilados em um artigo que ser em breve
submetido a uma importante revista cientfica.
1.4
Descrio do Trabalho
Captulo 1. Introduo
20
1.5
Organizao do Trabalho
2
Nanotecnologia Computacional
2.1
Introduo
O prefixo nano vem do grego e significa ano. Este prefixo tambm usado
para determinar um bilionsimo de uma determinada unidade de medida. Logo, um
nanmetro igual a um bilionsimo de um metro (1nm = 109 m). Para se ter uma
ideia da dimenso nanomtrica, a figura 7.9 mostra a relao entre uma estrutura
nanomtrica, uma bola de futebol e o planeta Terra.
Figura 2.1: Relao entre o planeta Terra, uma bola de futebol e um fulereno.
Observe que a relao entre o fulereno e a bola de futebol aproximadamente
a mesma entre a bola e o planeta Terra. Este exemplo mostra o quo pequeno so as
estruturas nanomtricas.
H muitas discusses sobre qual o tamanho de um material para que este seja
considerado uma nanoestrutura. Neste trabalho vamos usar a definio dada em
(Bhushan, 2007) que considera uma nanoestrutura aquela que tenha pelo menos
uma dimenso entre 1nm e 100nm. Obviamente, muitas estruturas que no se
encaixam na dimenso pr-determinada, mas esto prximas desta, podem ser
consideradas como nanoestruturas. A figura 7.10 apresenta outra comparao entre
diferentes dimenses, com destaque para a dimenso nanomtrica.
Apesar da palavra Nanotecnologia ser usada por mais de 20 anos (foi usada
pela primeira vez em 1974 pelo pesquisador japons Norio Taniguchi para descrever
a fabricao precisa de materiais na escala nanomtrica (Taniguchi, 1974)), existem
diversas definies na literatura. Um trabalho de pesquisa realizado pela The Royal
Society e pela The Royal Academy of Engineering em 2004 definem a Nanocincia
e a Nanotecnologia de forma concisa (Dowling, 2004):
22
Figura 2.2: Ilustrao de escalas abaixo de 1 metro. Destaque para a escala nanomtrica (1nm a 100nm).
Nanocincia: o estudo dos fenmenos e manipulao de materiais em
escalas atmicas, moleculares e macromoleculares, onde as propriedades diferem
significativamente daqueles em maior escala.
Nanotecnologia: o projeto, caracterizao, produo e aplicao de estruturas, dispositivos e sistemas controlando a forma e o tamanho na escala nanomtrica.
O fator chave para o desenvolvimento de novos e aperfeioados materiais,
desde o ao no sculo 19 at os materiais dos dias atuais, tem sido a habilidade de
controlar a matria em escalas cada vez menor. As propriedades dos materiais, tais
como as tintas e os chips de computadores, so determinadas por sua estrutura na
escala nano ou micro. Com o aumento do conhecimento e controle na escala nano,
haver grande potencial no desenvolvimento de materiais com novas caractersticas,
funes e aplicaes.
Segundo (Mansoori, 2005), a principais razes pelas quais as nanoestruturas
so to importantes so:
Com a reduo do tamanho at a nanoescala, os efeitos qunticos comeam e
dominar. As propriedades dos eltrons na matria so influenciadas pelas variaes na nanoescala. possvel variar as propriedades micro e macroscpicas da matria alterando a configurao nanomtrica dos materiais. Portanto,
possvel alterar o transporte de cargas, os efeitos magnticos, a temperatura
de fuso e outras caractersticas sem mudar a composio qumica do material
usado.
23
24
2.2
Taxonomia da Nanocincia e Nanotecnologia
25
Segundo (Simpson, 1989), modelo uma descrio simplificada ou idealizada de um sistema ou processo, geralmente em termos matemticos, criado para
facilitar clculos ou previses. Portando, Modelagem Molecular refere-se a mtodos e tcnicas para imitar o comportamento de molculas ou sistemas moleculares.
Tcnicas computacionais revolucionaram a modelagem molecular, j que muitos
clculos seriam impossveis sem o uso de computadores.
Neste captulo faremos uma breve descrio dos mtodos e tcnicas mais
tradicionais, dando mais destaque aos mtodos mais usados neste trabalho (HartreeFock e Teoria do Funcional da Densidade (DFT)). Discutiremos a respeito da teoria,
tempo computacional e tamanho dos sistemas modelados ou simulados.
2.3.1
Mecnica Molecular
A Mecnica Molecular usa as leis da fsica clssica para descrever as estruturas e propriedades de molculas. Mtodos de Mecnica Molecular esto disponveis
em muitos programas de computadores, includo MM3, HyperChem, Quanta, Sybyl
e Alchemy (Foresman, 1996).
Os mtodos de Mecnica Molecular, diferentemente dos mtodos qunticos,
descritos mais a frente, no tratam explicitamente os eltrons em um sistema
molecular. Ao contrrio, a computao realizada baseada na interao entre os
ncleos. Os efeitos eletrnicos esto geralmente implcitos nos campos de fora,
atravs dos parmetros.
Estas aproximaes tornam os mtodos de Mecnica Molecular computacionalmente muito baratos e permite que eles sejam usados para sistemas grandes,
contendo muitos milhares de tomos (Kadau, 2006) (Arkhipov, 2006). Porm, as
aproximaes tambm geraram vrias limitaes, dentre as quais podemos citar:
Cada campo de fora obtm bons resultados somente para um conjunto
26
2.3.2
Mtodos Qunticos - ab initio
(2-2)
onde E a energia do sistema e H o operado Hamiltoniano. Detalhes sobre a mecnica quntica podem ser encontrados na literatura (Bhushan, 2007) (Pauling, 1985)
(Cohentannoudji, 1979).
Teoria Hartree-Fock (HF)
27
(2-3)
Logo, a energia total do sistema dada pela soma da energia nuclear (repulso
eletrosttica entre os ncleos) e a energia eletrnica.
Segundo o princpio da anti-simetria, quando trocarmos qualquer par de
eltrons a densidade eletrnica de se manter a mesma, mas a funo de onda deve
trocar de sinal. Isto se deve ao fato dos eltrons serem indistinguveis. Portanto, a
forma funcional da funo de onda de sistema polieletrnicos deve respeitar este
princpio. Um determinante a maneira mais simples de escrever a forma funcional
permitida da funo de onda, respeitando o princpio da anti-simetria. Est forma
chamada de determinante de Slater 2-4 (Leach, 2001).
1 (1) 2 (1) ... N (1)
1 (2) 2 (2) ... N (1)
.
...
.
1 .
el
(1, 2, ..., n) =
(2-4)
.
...
.
N! .
.
...
.
.
1 (N) 2 (N) ... N (N)
Cada linha formada pela representao de todas as possveis combinaes
do eltron i com todas as combinaes orbital-spin. O fator multiplicativo necessrio para a normalizao.
Esta formulao no apenas um truque matemtico para formar funes de
onda anti-simtricas. A mecnica quntica especifica que a localizao do eltron
no determinstica, mas sim uma densidade de probabilidade, podendo estar em
qualquer lugar. Este determinante mistura todos os orbitais atmicos possveis com
todos os tomos do sistema molecular para formar a funo de onda.
O operador Hamiltoniano H para um sistema de N-eltrons pode ser escrito
da seguinte forma:
28
N
1 X
1
1
1
1
H =
+
+
+
2i
(2-5)
2 i=1
r1A r1B
r12 r13
onde os eltrons so identificados por nmeros (1, 2, ...) e os ncleos pelas letras (A,
B, ...), corresponde energia cintica e r representa a distncia entre dois eltrons
ou entre um eltron e um ncleo.
Como a teoria Hartree-Fock j bem descrita na literatura (Leach, 2001,
Szabo, 1989), esta tese no se prender em detalhes e apresentar a expresso
da energia de uma forma concisa, demonstrando os trs tipos de interao que
contribuem para a energia eletrnica total do sistema.
A primeira contribuio vem da energia cintica e potencial de cada eltron
se movendo no campo formado pelos ncleos. Para N eltrons em N orbitais
moleculares esta contribuio pode ser escrita da seguinte forma:
N
N Z
M
X
X
X
1
Z
core
2
Hiicore
(2-6)
Etotal =
d1 i (1) i
i (1) =
2
r
i=1
i=1
A=1 iA
A segunda contribuio da energia vem da repulso eletrosttica entre pares
de eltrons. A interao depende da distncia eltron-eltron e calculada da
seguinte forma:
!
Z Z
1
Ji j =
d1 d2 i (1) j (2)
i (1) j (2)
(2-7)
r12
O smbolo Ji j frequentemente usado para representar a interao Coulombiana entre eltrons. A contribuio total da interao Coulombiana para a energia
eletrnica do sistema obtida atravs de um somatrio dublo envolvendo todos os
eltrons, tal como mostrado na equao 6-8.
Coulomb
Etotal
=
N X
N
X
Ji j
(2-8)
i=1 j=i+1
N
N X
X
Ki j
(2-10)
i=1 j0 =i+1
29
N
X
ci
(2-11)
=1
30
5/3
E[] = C F
(r) dr + (r)(r)dr
Z Z
Z
1
(r1 )(r2 )
+
dr1 dr2 C x (r)4/3 dr,
2
|r1 r2|
(2-14)
3
(32 )2/3 e C x = 34 ( 3 )1/3 .
onde C F = 10
Na equao 6-11 os quatro termos da direita, correspondem energia cintica,
ao potencial externo, ao potencial de Coulomb e energia de troca, respectivamente.
e r so a densidade eletrnica e as coordenadas, respectivamente. Entretanto,
so muito simples para reproduzir a estrutura quntica de camadas dos tomos ou
ligaes qumicas.
O uso da densidade eletrnica, (r), como varivel bsica foi legitimada com
a publicao de dois teoremas por Hohenber e Kohn em 1964 (Hohenberg, 1964),
que fornecem os fundamentos da DFT. Em 1965, Kohn e Sham estabeleceram uma
forma de contornar o problema de se encontrar o funcional da energia cintica
exato que permite realizar os clculos DFT (Kohn, 1965). O desenvolvimento
computacional dos clculos de DFT leva a equaes matemticas semelhantes s
equaes Hartree-Fock-Roothan.
Teoremas de Hohemberg e Kohn
A energia total de um sistema eletrnico molecular dado por:
Eo =
(2-15)
31
(2-17)
0 e (r)dr
(2-18)
Eo = E [] = F[] +
(r)rdr E []
= F[]
+
(r)rdr
(2-19)
Os dois teoremas de HK mostram como se pode determinar o estado fundamental de um sistema com um dado potencial externo, usando-se a densidade
32
(2-21)
33
34
Dinmica Molecular
35
do genoma humano e de outras espcies. Esta iniciativa deu origem a uma nova
e importantssima rea de pesquisa, chamada Bioinformtica, e tambm a base de
dados importantes, tais como a international Protein Information Resource (PIR) e
a BioBricks Foundations Registry of Standard Biological Parts.
Atualmente, os cientistas envolvidos em Nanocincia e Nanotecnologia j
comeam a imaginar a criao de uma nanoinformtica, onde eles podero
manipular a informao armazenada sobre o nanomundo. Este tema foi discutido
recentemente no NanoFrontiers Workshop (Schmidt, 2007). Obviamente que a
comunidade cientfica, massivamente interdisciplinar, se beneficiar do uso desta
base de dados padronizada e das ferramentas de manipulao desenvolvidas.
Os participantes do NanoFrontiers Workshop fizeram afirmaes e questionamentos bastante interessantes sobre o surgimento da nanoinformtica. Alguns
cientistas a veem como uma fronteira entre os pioneiros cientistas da Nanotecnologia e a nova era do desenvolvimento nanotecnolgico acelerado pelo conhecimento
contido em bases de dados. Por outro lado, alguns cientistas so mais cticos sobre
o desenvolvimento de tais ferramentas e como elas podero ajudar no desenvolvimento da nanocincia.
Pode-se destacar trs pontos chaves da nanoinformtica:
Base de Dados: no seu nvel mais bsico a nanoinformtica compreende uma
rede de base de dados para auxiliar os pesquisadores em questes prticas. As
teorias e respostas para estas questes j podem estar disponveis, o problema
ter acesso a elas. Tais informaes em Nanocincia e Nanotecnologia esto
geralmente disponveis em jornais de diferentes assuntos e em diferentes
pases. A nanoinformtica poder unificar os dados similares e criar fcil
acesso a eles.
Ferramentas: uma grande quantidade de dados pode no ser muito til quando
no h ferramentas de manipulao eficientes. Usar e manipular os dados em
um nvel aceitvel requer o uso de ferramentas computacionais complexas.
Tambm poder ser necessrio o desenvolvimento de novos simuladores e
ferramentas inteligentes para integrar diferentes tipos de dados. A Inteligncia Computacional ter um papel importantssimo no desenvolvimento das
ferramentas eficientes de manipulao de dados, tal como ser discutido no
prximo captulo.
Colaboraes: a nanoinformtica facilitar a colaborao de cientistas ao
redor do mundo. Estes podero compartilhar informaes, ferramentas e
at instrumentos remotamente. Isto possibilitaria a formao de grandes
laboratrios virtuais.
36
2.5
Simulao de Nanodispositivos
Alm dos mtodos de modelagem molecular discutidos anteriormente, existem mtodos de simulao desenvolvidos exclusivamente para determinadas nanoestruturas ou nanodispositivos. Neste caso, o pesquisador est preocupado apenas
com o comportamento do dispositivo estudado e um conjunto de equaes matemticas podem fornecer as respostas desejadas.
Um exemplo de simulador de nanoestruturas pode ser encontrado em
(Gusso, 2004), onde os autores utilizam um conjunto de equaes para modelar o
transporte de carga em LEDs orgnicos de mltiplas camadas. Os resultados obtidos
pelo simulador desenvolvido foram validados por experimentos realizados previamente.
O simulador de autmatos celulares com pontos qunticos (Quantum Dot
Celular Automata - QCA) desenvolvido na universidade de Calgary outro exemplo
de simulao de nanodispositivos (Walus, 2002).
Mais um exemplo de simulador de nanoestruturas o desenvolvido por Johnson para simulaes de cristais fotnicos (Johnson, 2002). O programa calcula as
estruturas de banda e os modos eletromagnticos de estruturas dieltrica peridicas. Este simulador pode ser usado tambm para a simulao de guias de ondas e
sistemas ressonantes.
Alm dos exemplos citados acima, existem uma grande variedade de outros
simuladores de nanoestrutura e nanodispositivos na literatura. O site nanoHUB.org
fornece um conjunto de simuladores de diferentes tipos (Goasguen, 2005). Muitos
deste simuladores podem ser usados on-line e outros podem ser obtidos no site e
executados nos computadores pessoais.
2.6
Computao de Alto Desempenho
37
Mais recentemente, pesquisadores tm demonstrado a possibilidade de implementar simulaes em hardware dedicados. As plataformas digitais reconfigurveis
(FPGAs) esto sendo utilizadas com este propsito (Fagerstrom, 2002) (Gu, 2006).
Tais plataformas j so utilizadas com sucesso em problemas de processamento de
sinais e comunicao. O artigo de (Gu, 2006) mostra que a implementao de um
cdigo de dinmica molecular simples em FPGA foi capaz de acelerar o tempo de
processamento de 31 a 88 vezes.
Na ltima dcada surgiu a necessidade do desenvolvimento de placas grficas
de alto desempenho para o uso em videogames. Esta demanda foi obtida atravs
de novas arquiteturas de hardware nas unidades de processamento grfico (GPUs),
tais como aquelas encontradas no Sony PlayStation 3 e nVidia GeForce 8800
GTX. Recentemente, (Ufimtsev, 2008) demonstrou o uso de GPUs no clculo das
integrais de repulso de dois eltrons, obtendo uma acelerao de mais de 130 vezes
quando comparado ao clculo realizado em uma CPU AMD Opterom tradicional.
No mesmo trabalho, os autores realizaram o clculo da matriz de Coulomb para
uma molcula de DNA em 19,8 segundos contra 1600 segundos necessrios pelo
AMD Opteron.
O desenvolvimento da Nanotecnologia permitir a criao de novas arquiteturas de processadores, os quais sero muito mais rpidos do que os existentes
atualmente. No caminho contrrio, tal avano auxiliar o desenvolvimento dos simuladores de nanoestruturas, permitindo um grande avano tecnolgico. Dentre as
novas arquiteturas e paradigmas computacionais obtidos pela Nanotecnologia podemos destacar os transistores de nanotubos de carbono (Paul, 2006) e os autmatos
celulares com pontos qunticos (VilelaNeto, 2007).
2.7
Computao Inspirada na Nanotecnologia
38
Um computador quntico um dispositivo que faz uso direto de certos fenmenos da mecnica quntica para realizar operaes com dados. Estes fenmenos
permitem construir, em teoria, computadores que obedecem novas leis mais permissivas de complexidade computacional (Spector, 2004). O termo "computao
quntica", portanto, usado para descrever processos computacionais que se baseiam nestes fenmenos especficos e que so, assim, capazes de diminuir o esforo
e a complexidade para se resolver determinados problemas.
Devido grande dificuldade de implementao de um computador quntico,
(Moore, 1995) props uma nova abordagem. O objetivo desta nova abordagem
criar algoritmos clssicos (capazes, portanto, de serem executados em computadores clssicos) que tirem proveito dos paradigmas da fsica quntica, de forma a
melhorar o desempenho dos mesmos na resoluo de problemas.
Com relao aos mtodos de Inteligncia Computacional, (Han, 2000) props
um algoritmo evolutivo com inspirao quntica usando representao binria.
Neste modelo, o algoritmo evolutivo proposto tambm caracterizado por um
cromossomo, uma funo de avaliao e uma dinmica populacional. Porm, neste
caso, os genes do cromossomo simulam os q-bits dos computadores qunticos. J
o trabalho de (AbsDaCruz, 2005) estende o algoritmo evolutivo com inspirao
quntica para a soluo de problemas numricos.
3
Tcnicas de Inteligncia Computacional
40
geraes, de forma similar aos seres vivos, de acordo com os princpios de seleo natural e sobrevivncia dos mais aptos, descritos pela primeira vez por Charles
Darwin em seu livro A Origem das Espcies. Emulando estes processos, os Algoritmos Genticos so capazes de evoluir solues de problemas do mundo real.
Os cromossomos so ento submetidos a um processo evolucionrio que envolve avaliao, seleo, cruzamento e mutao. Aps vrios ciclos de evoluo a
populao dever conter indivduos mais aptos. Os AGs utilizam uma analogia direta deste fenmeno de evoluo na natureza, onde cada indivduo representa uma
possvel soluo para um problema dado. A cada indivduo atribui-se um valor de
adaptao: sua aptido, que indica o quanto a soluo representada por este indivduo boa em relao s outras solues da populao, cujo anlogo em programao matemtica o resultado da funo objetivo. Desta maneira, o termo Populao refere-se ao conjunto de todas as solues com as quais trabalha o sistema.
Aos indivduos mais adaptados dada a oportunidade de se reproduzir mediante
cruzamentos com outros indivduos da populao, produzindo descendentes com
caractersticas de ambas as partes. A mutao tambm tem um papel significativo,
ao introduzir na populao novos indivduos gerados de maneira aleatria.
O processo de evoluo comea com a criao aleatria dos indivduos que
formaro a populao inicial. A partir de um processo de seleo baseado na aptido de cada indivduo, so escolhidos indivduos para a fase de reproduo, que cria
novas solues utilizando-se para isto um conjunto de operadores genticos. Deste
modo, a aptido do indivduo determina o seu grau de sobrevivncia e, assim, a possibilidade de que o cromossomo possa fazer parte das geraes seguintes. O procedimento bsico de um algoritmo gentico resumido na Figura 3.1 (Davis, 1991).
41
A soluo de um problema pode ser representada por um conjunto de parmetros (genes), unidos para formar uma cadeia de valores (cromossomo); a este
processo chama-se codificao. As solues (cromossomos) so codificadas atravs de uma sequncia formada por caracteres de um sistema alfabtico. Originalmente, utilizou-se o alfabeto binrio (0, 1). Porm, novos modelos de AGs codificam as solues com outros alfabetos, como por exemplo com nmeros reais
(Michalewicz, 1996). Assim, a representao um aspecto fundamental na modelagem de um AG para a soluo de um problema. Ela define a estrutura do cromossomo, com os respectivos genes que o compem, de maneira que este seja capaz de
descrever todo o espao de busca relevante do problema. A decodificao do cromossomo consiste basicamente na construo da soluo real do problema a partir
do cromossomo. Isto , o processo de decodificao constri a soluo para que esta
seja avaliada pelo problema.
Avaliao
42
variam de acordo com a representao utilizada. Neste trabalho, grande parte dos
experimentos utilizam a representao real e os operadores relacionados sero descritos a seguir. Alguns estudos de casos fazem uso de outros tipos de operadores,
estes sero descritos no momento adequado. Outros operadores podem ser encontrados na literatura (Michalewicz, 1994).
O operador real mais usual o cruzamento aritmtico. Este consiste de uma
combinao linear entre dois genes, conforme mostrado na equao 3-1.
v f = f (v p1 , v p2 ) = v p1 + (1 ) v p2
(3-1)
(3-2)
onde vmax e vmin so, respectivamente, os valores mximo e mnimo que tal gene
pode assumir, ou seja, as restries de limite desse gene.
J a mutao no uniforme, faz com que os genes sorteados no espao se
concentrem em torno do gene do pai, em funo do nmero de geraes decorrido
e de um bit aleatrio.
43
completo em um indivduo, eles so avaliados como um todo e apenas os subcomponentes que pertencem a indivduos com avaliaes altas sero preservados. Em
segundo lugar, o fato da representao estar relacionada a uma soluo completa e
por no haver interaes entre os membros da populao, no existe presso evolucionria para a ocorrncia de co-adaptao, ou seja, no existe presso para a
adaptao de um subcomponente dada a ocorrncia de uma mudana em outro subcomponente (Potter, 2000).
No entanto, a decomposio do problema tem um aspecto importante que
deve ser levado em conta e que est relacionado com a evoluo de subcomponentes interdependentes. Se for possvel decompor o problema em subcomponentes
independentes, cada um deles pode evoluir sem haver necessidade de se preocupar
com os outros. Pode-se visualizar isto imaginando que cada subcomponente evolui
no seu prprio espao de busca, desacoplado do espao de busca dos outros componentes.
O modelo co-evolucionrio cooperativo genrico (Potter, 2000) mostrado na
figura 3.2.
44
(3-5)
|2 | + |2 | = 1
(3-6)
onde e so nmeros complexos que especificam as amplitudes de probabilidade dos estados correspondentes. |2 | d a probabilidade do qubit estar no estado
0 quando observado e |2 |, por sua vez, d a probabilidade do qubit estar no estado
1 quando observado. A normalizao das amplitudes garante que
45
da varivel. Para evitar um crescimento exponencial do armazenamento de informaes, e reduzir o custo computacional, optou-se por usar um conjunto de pulsos
retangulares para se representar estas distribuies (distribuio de probabilidade
uniforme). Desta forma, h duas grandes vantagens: somente necessrio armazenar o centro e a largura de cada pulso; e simplifica-se o clculo das funes de
distribuio cumulativa de probabilidades, que so necessrias para o sorteio dos
nmeros aleatrios.
O procedimento para inicializar o algoritmo comea ento com uma definio
de um valor N que indica quantos pulsos sero usados para representar a distribuio
de probabilidade para cada uma das variveis. Feito isto, para cada pulso usado em
cada varivel do problema, define-se:
Centro igual ao ponto mdio do domnio;
Altura igual ao inverso do tamanho do domnio dividido por N.
Ao final deste processo, a soma dos N pulsos de cada uma das variveis
ter rea total igual a 1. Supondo, por exemplo, que se deseje inicializar uma
varivel com universo de discurso em [-50,50] e utilizar 4 pulsos retangulares
para representar a distribuio de probabilidade para esta varivel, cada pulso teria
largura igual a 100 e altura igual a 1/100/4 = 0,0025. Com a superposio, a forma
grfica desta distribuio ficaria, aps a inicializao, da seguinte forma:
46
t 2
= (u l)(1 T ) 1
(3-8)
47
3.2
Redes Neurais
Inspirada na estrutura e operao do crebro humano, uma Rede Neural Artificial (RNA) um modelo matemtico no-linear usado para encontrar relacionamentos complexos entre a entrada e a sada de dados. Esse modelo usado em
problemas da predio de sries temporais, reconhecimento de padres e aproximao de funes. Trs conceitos bsicos caracterizam os diversos tipos de RNAs: o
modelo do neurnio artificial, sua estrutura de interconexo (topologia) e a regra de
aprendizado.
Assim como o sistema nervoso composto por bilhes de neurnios, a
RNA tambm formada por unidades elementares, denominadas neurnios artificiais ou processadores, que efetuam operaes simples. Nas redes, esses neurnios
encontram-se interconectados, transmitindo seus resultados aos processadores vizinhos. As RNAs so eficazes na elaborao de funes capazes de aproximar dados
no-lineares, incompletos, com rudo ou compostos por exemplos contraditrios,
sendo essa potencialidade de modelar sistemas no-lineares a principal vantagem
sobre outros mtodos de interpolao. Na maioria dos casos, uma RNA um sistema adaptvel que muda sua estrutura com base na informao externa ou interna
da rede.
3.2.1
Estrutura de uma Rede
Neurnio artificial
yi =
x j wi j + i
(3-9)
j=1
48
Nome
Funo (v)
Logstica
1
1+exp(v)
Tanh
2
1+exp(v)
Degrau
Sinal
Linear
saturada
Derivada /v
(v)(1 (v))
se v 0
se v > 0
se v 0
se v > 0
v 1/
1/ < v 1/
v > 1/
Linear
49
(1 (v)2 )
(v)
2(v)
0 v 1/
1/ < v 1/
0 v > 1/
50
51
Figura 3.7: Exemplo de uma rede neural recorrente com duas entradas e duas sadas.
3.2.2
Tratamento dos dados
(x xmin )
+ ymin
(xmax xmin )
(3-10)
(xxmin )
52
se x xint
(3-11)
se x > xint
3.2.3
Treinamento
53
y(1)
= xT w(1)
j
j
(1) T (2)
y(2)
=
(y
)
w
j
j
(3)
(2) T (3)
y j = (y ) w j
(3-12)
54
Mtricas de erro
1
ES S E
PN
(3-14)
E p
= i yi
wi j
(t pi y pi )i
i =
0 Pk wki k
55
(3-17)
(3-18)
para
neurnios
escondidos
i
A segunda etapa do algoritmo da retropropagao praticamente equivalente
ao gradiente decrescente. Por definio o gradiente de E indica a direo de maior
crescimento de E, sendo que para sua minimizao necessrio caminhar na direo
contrria. A retropropagao atribui uma taxa de aprendizado que determina o
passo do algoritmo. A equao 3-19 apresenta a variao dos pesos em funo do
gradiente do erro.
wi j =
E
wi j
(3-19)
E
(t) + w(t 1)
w
(3-20)
56
(3-22)
O treinamento de redes neurais pode causar um super treinamento (overfitting). Esse termo utilizado quando a rede se torna capaz de prever apenas o conjunto de dados utilizados no treinamento, perdendo sua capacidade de prever dados
nunca apresentados para a rede (generalizao). Para evitar esse super treinamento,
utiliza-se um conjunto de validao. Esse conjunto de padres propagado pela
rede a cada iterao do algoritmo de minimizao. O valor do erro desse conjunto
ento monitorado, sendo que seu aumento indica que a rede est se tornando muito
especializada. Ento, a rede que deve ser escolhida aquela em que o erro do conjunto de validao o menor, como ilustrado na figura 3.9, onde os crculos ()
representam os dados de treinamento e as cruzes (+) os de validao.
Figura 3.9: Validao cruzada. Ilustrao de dois momentos distintos do treinamento: generalizao da rede (a) e supertreinamento (b).
O valor final do treinamento de uma rede depende do ponto inicial, isto , sua
configurao inicial de pesos. Isso devido aos algoritmos de minimizao utilizados
57
dependerem desse ponto. Um exemplo desse problema pode ser visto na figura 3.10,
onde as curvas de nvel representam a superfcie do erro em funo de duas variveis
(pesos). Nessa figura, os dois crculos menores representam duas configuraes de
pesos distintas, e a cada iterao do algoritmo de minimizao, um novo ponto
() obtido. Nota-se que em cada inicializao o ponto de mnimo encontrado
distinto, isso porque a funo de erro possui diversos mnimos locais. Para evitar
esse acontecimento, um experimento deve ser feito com diversas configuraes
iniciais de peso, a fim de descobrir qual a melhor rede.
4
Inferncia e Otimizao de Nanoestruturas
4.1
Introduo
59
solver o problema descrito acima. O primeiro objetivo criar um sistema de inferncia, capaz de prever as caractersticas da nanoestrutura sintetizada com relao aos
parmetros usados na sntese. Este sistema permite que o pesquisador possa investigar como determinados parmetros influenciam no crescimento da nanoestrutura
sem, necessariamente, realizar o experimento. Isto permite uma economia de tempo
e de recursos. O segundo objetivo usar um sistema de otimizao, juntamente com
o sistema de inferncia mencionado, para encontrar o conjunto de parmetros ideais
para a sntese da nanoestrutura desejada.
A seguir, os experimentos realizados sero descritos e discutidos.
4.2
Pontos Qunticos - PQ
60
Figura 4.1: Densidade de estado nos materiais semicondutores. De cima para baixo:
material bulk, poo quntico, fio quntico e ponto quntico.
so aqueles que tiram proveito do fenmeno de auto-organizao em superfcies
cristalinas. O relaxamento da tenso provocada na interface entre diferentes materiais permite a formao dos pontos qunticos.
MBE e MOCVD so duas tcnicas comumente usadas para o crescimento
de vetores uniformes de PQs em trs dimenses (Steiner, 2004). Tanto os sistemas
com parmetros de rede casados quanto aqueles descasados so usados para a
formao das nanoestruturas. No caso de sistemas com parmetros de rede casados,
o crescimento determinado pela relao entre as energias de duas superfcies
e a energia da interface entre elas (Grundmann, 2002). Se a soma da energia da
superfcie da camada epitaxial ( f ) com a energia da interface (i ) menor que a
energia da superfcie do substrato ( s ), ou seja, f +i < s , o crescimento ocorre no
modo Frank-van der Merwe, mostrado na figura 4.2(a). Alterando o valor da soma
f + i , resulta em uma transio da forma de crescimento para o modo VolmerWeber, onde ilhas 3D so formadas, como na figura 4.2(b).
No caso de parmetros de rede descasados, tal como heteroestruturas
GaAs/InAs, somente as primeiras poucas monocamadas depositadas formam camadas tensionadas com o parmetro de rede igual quele do substrato. Quando a
espessura crtica excedida, a tenso no topo da camada permite a formao espontnea de ilhas 3D aleatoriamente distribudas. A fase de transio entre a estrutura
epitaxial e o arranjo aleatrio de ilhas chamada de transio Stranski-Krastanov
(Steiner, 2004). Este processo mostrado na figura 4.2(c). J a figura 4.3 mostra a
61
Figura 4.2: Esquemtico de trs formas de crescimento: Frank-van der Merwe (a),
Volmer-Weber (b), Stranski-Krastanov (c).
62
Inferncia
O controle do crescimento dos pontos qunticos fundamental para o mximo desempenho dos dispositivos baseados nestas nanoestruturas. O crescimento
de pontos qunticos com altura e disperso bem definidas essencial. A altura
dos pontos qunticos determina a diferena de energia entre os nveis permitidos
e, consequentemente, o comprimento de onda de emisso ou deteco. Tambm
importante que todos os pontos qunticos crescidos no substrato tenham aproximadamente a mesma altura, limitando o comprimento de onda a um valor prximo do
desejado. No caso de fotodetectores, quanto maior a densidade dos pontos qunticos melhor o funcionamento dos dispositivos, desde que os pontos tenham a altura
desejada. Porm, a escolha do conjunto de parmetros ideais para o crescimento dos
pontos qunticos desejados um dos grandes obstculos enfrentados pelos pesquisadores.
A alternativa do uso de um mtodo de tentativa e erro demanda uma quantidade significativa de tempo e recursos. Logo, o desenvolvimento de um sistema
de inferncia extremamente valioso, diminuindo o nmero de experimentos e,
consequentemente, o custo de fabricao.
O uso de Redes Neurais Artificiais j foi proposto para melhorar o desempenho do crescimento epitaxial, porm os autores no publicaram nenhum resultado
(Bland, 2002).
Neste trabalho uma Rede Neural Artificial do tipo MultiLayer Perceptron
(MLP) foi utilizada para inferir o resultado do crescimento de pontos qunticos.
Foram usados dados de dezenas de experimentos realizados no laboratrio de
semicondutores (LABSEM) da PUC-Rio. A tabela com os valores dos experimentos
so mostrados no anexo B.
Os seis parmetros de entrada, relacionados ao crescimento em cada experimento, usados como entradas pela Rede Neural so: o fluxo de ndio no reator, a
temperatura de crescimento, o tempo de deposio, a espessura da camada sobre a
qual os PQs so crescidos e as concentraes de ndio e alumnio na camada citada.
Os experimentos considerados usaram trs materiais diferentes para a camada da
base (InP, InGaAs, InAlGaAs). Como sadas obtm-se a altura mdia dos pontos
qunticos, o desvio padro da altura e a densidade dos pontos qunticos. Obviamente, outros parmetros tambm so importantes para o crescimento dos pontos
qunticos, tais como a presso e o tempo de aquecimento. Porm, na base de dados utilizada, estes parmetros so constantes, sendo desnecessrio us-los como
entrada para a rede neural.
Ao total trs Redes Neurais diferentes foram criadas:
1. Rede para inferir altura mdia dos pontos qunticos, contendo 67 dados;
63
Figura 4.4: Arquitetura da Rede Neural para inferir a altura mdia dos pontos
qunticos.
Para avaliar a rede neural criada foi utilizado o erro mdio absoluto percentual
(MAPE). Esta medida define o quanto os dados inferidos se aproximam dos dados
reais. Por exemplo, um MAPE igual a 5 corresponde a um erro de 5% na inferncia
obtida pela rede. A frmula do MAPE apresentada na equao 4-1
Pn
0
t=1 (st st )/st
(4-1)
MAPE =
n
onde, st o valor desejado, s0t o valor obtido pelo modelo e n o nmero de
elementos.
A figura 4.5 mostra a comparao entre os dados previstos pela Rede Neural
e os valores obtidos pela imagem fornecida por um AFM. Os valores previstos
64
pela rede neural esto destacados em vermelho e esto bem prximos aos dados
experimentais. Os dados usados para treinamento e validao da rede esto na
regio branca. Os valores na regio cinza foram usados para testar a rede aps
o treinamento. Estes ltimos valores no foram apresentados rede durante o
treinamento ou validao. O erro mdio percentual obtido pelo conjunto de teste
foi de apenas 8,3%, o que pode ser considerado um resultado excepcional devido
ao conjunto reduzido de dados usados para o treinamento da rede neural.
Figura 4.5: Comparao entre as medidas feitas por um AFM e as previses obtidas
pela RNA.
Devido capacidade de generalizao da Rede Neural, aps a criao a sua
criao, esta pode ser usada para investigar a influncia dos parmetros de entrada
no crescimento dos pontos qunticos. Isto pode ser obtido variando dois parmetros
de entrada e fixando os outros quatro. A figura 4.6 mostra a variao da altura mdia
dos pontos qunticos em razo do tempo de deposio e composio de alumnio.
Os demais parmetros foram fixados com os valores apresentados na tabela 4.1.
Parmetro
Fluxo de In
Espessura da Base
Temperatura de Crescimento
Composio de In
Valor
60 sccm
500 nm
500oC
52,3%
65
Figura 4.6: Variao da altura mdia dos pontos qunticos com relao ao tempo de
deposio e composio de alumnio.
em uma liga de InGaAlAs crescida em InP (Borgstrom, 2003). Na mesma figura,
pode-se observar que a altura mdia dos pontos qunticos aumenta com o tempo
de deposio. Isto esperado, j que o PQ tem mais tempo para crescer. A comparao com os resultados experimentais j publicados confirmam que os valores
obtidos neste trabalho so excelentes, mesmo usando um conjunto pequeno de dados experimentais.
Para o caso 2, ou seja, a inferncia da densidade dos pontos qunticos, tambm
foi criada uma rede MLP. Aps a limpeza dos dados (eliminao de outliers,
tratamento de dados duplicados, eliminao de dados incompletos, etc.) foram
utilizadas as informaes de 61 experimentos diferentes. A rede criada utilizou as
mesmas 6 informaes de entrada. Contudo, devido pouca quantidade de dados
diferentes, as entradas relacionadas ao fluxo de ndio e espessura da camada foram
classificadas em 3 e 4 categorias diferentes, respectivamente. Os demais dados de
entrada continuam sendo normalizados entre 0,1 e 0,9. Diferentemente da rede
obtida no caso 1, a melhor rede encontrada para a inferncia da densidade dos
pontos qunticos possui treze neurnios na camada escondida.
A figura 4.7 apresenta o resultado da inferncia da densidade dos pontos
qunticos. Os dois primeiros grficos so referentes aos conjuntos de treinamento e
validao, respectivamente. O ltimo grfico apresenta o resultado do conjunto de
teste, ou seja, o conjunto de dados que no foi apresentado rede neural durante
a sua criao. Observe que o MAPE resultante foi de 21,47%. Claramente, o valor
obtido bastante superior ao apresentado pela rede responsvel pela inferncia da
altura dos pontos qunticos. As principais razes para este aumento significativo do
erro so: a reduo do nmero de dados disponveis e a caractersticas dos dados
experimentais.
66
67
Os materiais estruturados podem ser divididos em quatro categorias diferentes: metais, polmeros, cermicos e compsitos (Gibson, 1994). Um compsito
68
0,18
Altura Normalizada
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1
27
53
79 105 131 157 183 209 235 261 287 313 339 365 391 417 443 469 495
Ciclos
Figura 4.10: Curva da evoluo da otimizao dos PQ.
Parmetro
Fluxo de In
Espessura da Base
Temperatura de Crescimento
Tempo de deposio
Composio de In
Composio de Al
Valor
60 sccm
1,5 nm
519, 8oC
2,4 s
53,44%
21,79%
69
composto de dois ou mais materiais individuais das outras trs categorias. O objetivo da formao de um compsito obter uma combinao de propriedades que
no podem ser encontradas em nenhum material isoladamente, alm de aproveitar
as melhores caractersticas dos materiais componentes. Alguns materiais que ocorrem naturalmente tambm so considerados compsitos, dentre eles podemos citar
a madeira e o osso (Callister, 1993).
Um material compsito, tal como ser considerado neste trabalho, um
material de mltiplas fases que criado artificialmente e no ocorre naturalmente.
Alm disso, as fases constituintes devem ser quimicamente dissimilares e separadas
por uma interface distinta. Logo, as ligas metlicas e os materiais cermicos
no se encaixam nesta definio porque suas mltiplas fases so formadas como
consequncia de fenmenos naturais.
Ao projetar um material compsito, cientistas e engenheiros tem engenhosamente combinado vrios metais, cermicos e polmeros para produzir uma nova
gerao de materiais extraordinrios. Os compsitos tm sido criados para melhorar
a combinao de caractersticas mecnicas, tais como fora, dureza e flexibilidade,
alm de outras propriedades.
Muitos dos materiais polimricos so formados por apenas duas fases. A primeira chamada de matriz, que contnua e contorna a segunda fase, frequentemente chamada de fase dispersa ou carga. As propriedades dos compsitos so
obtidas em funo das propriedades dos materiais constituintes e suas concentraes.
Um dos compsitos mais comuns a fibra de vidro, onde fibras de vidro
puras e pequenas so misturadas a um material polimrico (normalmente um epxi
ou polister). A fibra de vidro pura relativamente forte e dura, mas quebradia. J
o polmero dctil, mas fraco e flexvel. A fibra de vidro resultante da mistura dos
materiais dura, forte, flexvel e dctil. Alm disso, possui baixa densidade.
Outro material tecnologicamente importante a fibra de carbono misturada
com polmero (CFRP). Este material mais duro e forte que a fibra de vidro, porm
mais caro. Os compsitos CFRP so usados em avies, foguetes, carros, etc.
Quando a carga usada para a formao do compsito constituda por partculas na escala nanomtrica, o material conhecido como nanocompsito. Neste
caso, a porcentagem por massa da carga que deve ser inserido para a formao do
compsito muito menor que a porcentagem necessria quando utilizadas partculas normais, em escala maior. Isto se deve, principalmente, a grande superfcie
de rea obtida pelas nanopartculas, como foi discutido no captulo 2. Alm disso,
as nanopartculas podem propiciar a formao de materiais com propriedades diferenciadas. A adio de nanotubos em uma matriz polimrica, por exemplo, pode
aumentar significativamente a condutividade trmica e eltrica do material.
70
Em termos taxonmicos os nanocompsitos mantm a mesma lgica de classificao dos compsitos tradicionais, podendo ser: esfricos, baculiformes ou lamelares, tendo como exemplo a slica, o nanotubo de carbono e a montemorilonita,
respectivamente.
Modelos numricos e analticos so ferramentas essenciais para estudar o controle de parmetros responsveis pelas propriedades de compsitos e nanocompsitos. Muitos modelos existentes mostram que o mdulo das partculas, a razo de
aspecto e a frao volumtrica so fatores que influenciam as propriedades mecnicas de compsitos e nanocompsitos (Fornes, 2003, Wang, 2004a, Wang, 2004b).
Porm, apesar dos vrios trabalhos sobre as propriedades dos nanocompsitos, o
entendimento da relao entre o comportamento macroscpico e as propriedades
das nanoestruturas uma questo ainda indefinida. Atualmente, diversos modelos
analticos so baseados na regra de misturas (Pal, 2008). Tais modelos funcionam
para algumas combinaes especficas de matrizes e cargas, mas no funcionam
corretamente quando a concentrao de carga aumenta. Alm disso, sabe-se que a
relao entre o volume de carga e as propriedades mecnicas de um nanocompsito
tem um comportamento no-linear.
A seguir a inferncia e a otimizao de nanocompsitos sero descritas e
discutidas.
4.3.1
Inferncia
71
Normalizao
[0, 1]
[0, 1]
[0, 1]
[0, 1]
[0, 0,9]
[0,1, 0,9]
72
73
de carbono com razo de aspecto igual a 100. Neste caso, apenas o dimetro e
a concentrao da carga foram variados. A figura mostra que quanto menor a
partcula, menor a concentrao de carga necessria para obter um alto valor do
mdulo de Young relativo. Alm disso, quando as partculas menores alcanam
altas concentraes o mdulo de Young diminui. Isto pode ser explicado pela
agregao destas partculas, gerando partculas maiores e, portanto, agindo como
micro partculas e no mais como nanopartculas.
74
75
76
Valor
EGlass-PP
nanotubo de carbono aminofuncionalizado
0,11
2,62
1065
22,26
5
Projeto Automtico de Nanodispositivos
5.1
Otimizao de OLEDs Multicamadas
OLEDs (do ingls - Organic light emitting diodes) so constitudos por materiais orgnicos emissores de luz que, quando alimentados com corrente eltrica,
podem produzir displays com alta qualidade. Um dos vrios fatores que fazem dos
OLEDs um dispositivo superior tecnologia LCD o fato de que estes no requerem luz de fundo, permitindo assim operarem em regime de menor consumo
de potncia, sem por isso perder qualidade de brilho e contraste. Alm disso,
tais dispositivos mantm a clareza de viso praticamente sob qualquer ngulo.
Existem, porm, algumas desvantagens que tm limitado a eficincia de OLEDs.
Nas primeiras pesquisas, observou-se nos dispositivos mono-camadas que a maioria dos portadores injetados a partir dos eletrodos difundiam-se para o eletrodo
oposto sem sofrer recombinao (Ma, 2002). Outra limitao tpica a alta mobilidade dos portadores de carga positiva quando comparados aos de carga negativa
(Ma, 2000, Werner, 2003). Isso uma caracterstica presente em materiais orgnicos eletroluminescentes. Mais ainda, existe uma extensa barreira de energia criada
pela diferena entre a funo trabalho do catodo metlico e o menor orbital molecular ocupado (LUMO) (do ingls - Lowest Unocuppied Molecular Orbital) do semicondutor, inibindo a injeo de portadores de carga negativa. Essas desvantagens
resultam na formao da maioria dos pares eltron-buraco na vizinhana do catodo,
suprimindo a emisso de luz (Malliaras, 1998, Koehler, 2000). Diversas metodologias foram propostas para evitar essas dificuldades, tais como estruturas multicamadas alternadas, cada uma composta de molculas portadoras de eltron ou buracos,
exclusivamente (Greenham, 1993). Outra proposta consiste em estruturas hbridas
com os materiais misturados em uma mesma camada nica (Cao, 1999). Recentemente, uma nova e aprimorada proposta foi idealizada e pode ser considerada como
a combinao das duas tcnicas anteriores. Nesse caso, um dispositivo multicamada
foi desenvolvido com uma concentrao graduada na camada de emisso, apresentando uma melhora na eficincia da eletroluminescncia (Ma, 2002).
Com base na ltima metodologia citada e em um trabalho prvio para mo-
78
delar dispositivos monocamadas (Scott, 1997), os autores em (Gusso, 2004) apresentaram um modelo analtico para otimizar o comportamento eltrico na regio
emissiva dos dispositivos OLED de multicamadas graduadas. O grande nmero de
possveis configuraes sugere que a busca empregando um algoritmo poderia ser
mais apropriada neste caso. O propsito desse trabalho a utilizao de algoritmos
evolucionrios para encontrar as concentraes otimizadas para ETM e HTM em
cada camada graduada do dispositivo.
5.1.1
O Modelo de OLED Multicamada
79
1
2
1,5
1,5
1
1
2
1,5
2
2
Perfil de Concentrao
[Alq3 ]:[NPB]
10:1, 6:1, 1:1, 1:6, 1:10
2:1, 2:1, 1:1, 1:2, 1:2
3:1, 2:1, 1:1, 1:2, 1:3
3:1, 2:1, 1:1, 1:2, 1:3
7:2, 5:2, 3:2, 2:3, 1:2
V/J 0,5
(Gusso, 2004)
22,8
18
20,3
19,3
20,9
V/J 0,5
Este Trabalho
23,18
17,97
21,51
20,25
21,89
Diferena
%
1,67
0,17
5,96
4,92
4,73
5.1.2
A Otimizao Evolucionria
80
(5-1)
81
Os resultados da otimizao por AG so mostrados na Tabela 7.11. As concentraes otimizadas pelo AG minimizam a relao V/J 0,5 para todas as combinaes
0
de n e n , quando comparadas com os resultados apresentados em (Gusso, 2004).
Para a primeira e segunda configurao a melhora foi pequena, aproximadamente
1, 5%. Entretanto, os perfis de concentrao encontrados foram bastante diferentes
daqueles apresentados em (Gusso, 2004), os quais so todos simtricos. Neste trabalho, somente para a primeira configurao otimizada pelo AG as concentraes so
praticamente simtricas. Para a segunda configurao, as duas primeiras camadas,
prxima do catodo, apresentaram concentrao majoritria de ETM, aproximadamente 70%, enquanto as outras trs camadas apresentaram concentrao majoritria
de HTM, aproximadamente 65%. Todas as outras configuraes apresentaram comportamento similar esta tima, com pequenas variaes. A diferena maior na
ltima configurao, onde a concentrao de ETM nas duas primeiras camadas aumenta para aproximadamente 80%. Para os ltimos trs casos, a melhoria na relao
V/J 0,5 ficou em torno de 7%. Os experimentos tambm foram realizado usando-se
o Algoritmo Evolucionrio com inspirao Quntica (AEIQ) e o Algoritmo de Enxame de Partculas (PSO, do ingls - Particle Swarm Optimization). Em ambos os
casos os resultados foram semelhantes aos encontrados.
Contudo, quando um experimento realizado, no possvel saber quais so
0
os valores reais de n e n . Por esse motivo, decidiu-se calcular a relao V/J 0,5 para
0
cada configurao de n e n com todos os perfis de concentrao, de modo a entender
1
2
1,5
1,5
1
1
2
1,5
2
2
Perfil de Concentrao
[Alq3 ]:[NPB]
7,2:1, 7,2:1, 0,9:1, 0,1:1, 0,1:1
2,1:1, 2,1:1, 0,6:1, 0,6:1, 0,6:1
2,5:1, 2,5:1, 0,5:1, 0,4:1, 0,4:1
2,7:1, 2,7:1, 0,6:1, 0,6:1, 0,6:1
4:1, 4:1, 0,7;1, 0,6:1, 0,6:1
V/J 0,5
anterior
23,18
17,97
21,51
20,25
21,89
82
V/J 0,5
otimizado
22,82
17,72
19,98
18,76
20,36
Melhoria
%
1,54
1,4
7,13
7,37
6,98
n
Otimizado
2,5:1, 2,5:1, 0,5:1, 0,4:1, 0,4:1
1
2
1,5
1,5
1
1
2
1,5
2
2
Mdia
Concentrao
[Alq3 ]:[NPB]
(Gusso, 2004)
2:1, 2:1, 1:1, 1:2, 1:2
(Ma, 2002)
9:1, 7:1, 5:2, 1:1, 1:3
23,33
17,91
19,98
18,91
20,68
V/J 0,5
23,97
17,98
20,36
19,13
21,13
24,86
20,65
22,32
21,27
22,50
20,16
20,52
22,32
Tabela 5.3: Comparao entre melhor configurao otimizada por AG, melhor
configurao de (Gusso, 2004) e melhor configurao de (Ma, 2002). Em negrito
o melhor resultado para cada caso.
De modo a verificar a incerteza nos valores das mobilidades de HTM puro,
0
uma outra otimizao foi realizada, considerando n e n iguais 1,5 e o n (NPB) =
5.108 cm2 /V, tal como em (Gusso, 2004). O valor da relao V/J 0,5 calculada em
(Gusso, 2004) igual 23,50 com concentrao ETM:HTM de [8 : 1, 4 : 1, 2 :
1, 1 : 1, 1 : 1] . As concentraes otimizadas pelo AG fornecem um valor para V/J 0,5
igual 22,76 e a concentrao obtida [6, 4 : 16, 4 : 15, 4 : 10, 86 : 10, 86 : 1].
83
84
5.2
Otimizao de Circuitos de QCA Robustos
Figura 5.4: Uma clula de QCA. As cargas esto localizadas nos pontos pretos.
85
86
87
de L1 at L2, sem que haja influncia em outras clulas da camada lgica. Desta
forma possvel levar a informao de qualquer parte do circuito a outro local de
interesse sem prejudicar a funcionalidade do circuito ou diminuir a robustez. A
desvantagem que surge nesta tcnica o aumento da quantidade de clulas.
5.2.2
Descrio do Problema
88
mdulo tambm capaz de retirar amostras dos sinais gerados pelo simulador e
organiz-las de forma que o AG possa calcular a aptido. O mdulo Simulador
composto pela interface batch modificada do QCADesigner, um simulador cdigoaberto que permitiu adaptaes segundo as necessidades do problema. Porm, o
ncleo responsvel por toda a simulao permaneceu inalterado.
O simulador QCADesigner possui dois tipos de simulao, bistable e coherence vector. O primeiro mais simples, porm tem menor custo computacional. O
segundo mais preciso, mas com um grande custo computacional. Neste trabalho
utilizamos o mtodo bistable, devido ao grande nmero de simulaes realizadas
pelo mtodo de sntese evolucionria, sendo que aps a evoluo todos os circuitos
obtidos foram validados com o mtodo de simulao coherence vector.
Para que um circuito de QCA funcione com a lgica desejada necessrio
que todas as clulas sejam colocadas nas posies certas e alocadas s zonas de
clocks corretas. Tomando-se o cuidado de garantir as duas caractersticas citadas, a
interao coulombiana entre as clulas tratar as informaes de entrada de forma
correta, gerando a sada desejada. Entretanto, o desenvolvimento de circuitos inovadores no uma tarefa trivial, sendo necessrio uma grande intuio e experincia
para criar circuitos corretos. Porm, mesmo que os circuitos tenham a lgica desejada, o mesmo pode no ser o ideal, contendo muitas clulas e com uma robustez
pequena.
Neste trabalho os circuitos so evoludos por meio de uma heurstica coevolutiva, com duas espcies distintas. Uma representa o posicionamento das clulas
dentro do circuito atravs de um cromossomo baseado em ordem com restrio de
precedncia e outra representa o clock de cada clula por um cromossomo binrio.
Mais detalhes podem ser obtidos em (VilelaNeto, 2007).
A funo de avaliao dos indivduos responsvel por quantificar o quo
bom o circuito representado por um determinado par de cromossomos. Esta, ao
contrrio do trabalho anterior que s se preocupava com os nveis lgicos das clulas
de sada, levar em considerao o valor da polarizao da clula de sada, de forma
a solucionar o problema de robustez. Para tal, em cada amostra do sinal de sada
aplica-se a equao 5-2, onde os parmetros a e b so determinados de acordo com
o grau de polarizao que se deseja obter. atravs destes parmetros que aumenta
ou diminu-se a importncia de um resultado estar mais perto ou longe do esperado.
Pn = a |On Dn | + b
(5-2)
89
A aptido de cada indivduo dada pela soma dos valores obtidos em cada
amostra, conforme a equao 5-3, sendo que para cada amostra todos os possveis
valores lgicos so avaliados.
A=
N
X
Pn
i=0
(5-3)
N
onde A a aptido do circuito, Pn a aptido obtida pela n-sima amostra e N o
nmero de amostras retiradas do sinal de sada.
Os parmetros adotados em todos os experimentos deste trabalho foram a =
-0.5 e b = 1, escolhidos aps alguns experimentos preliminares.
Um outro objetivo deste trabalho sintetizar circuitos com o menor nmero
de clulas possveis, para isso dado um bnus na avaliao dos circuitos que
apresentam todas suas sadas corretas, ou seja, possuem a lgica desejada. Este
bnus dado pela equao 5-4 e varia com relao ao nmero de clulas no circuito.
Os parmetros presentes nesta equao so determinados de forma emprica e so
dependentes de cada experimento.
c
+d
(5-4)
Q
onde B o valor do bnus, Q o nmero de clulas presente no circuito, c e d so
constantes determinadas empiricamente.
As clulas de entrada e sada de todos os circuitos evoludos so determinadas
a priori com base em circuitos presentes na literatura.
B=
5.2.3
Resultados e Discusses
Experimento 1 - Multiplexador
90
aptido da equao 5-3. A escolha desses valores foi realizada de forma emprica,
determinando a presso do bnus sobre os indivduos.
A figura 5.9 exibe o circuito obtido neste trabalho e os circuitos propostos nos
demais trabalhos.
Figura 5.9: (A) Circuito sintetizado por especialista; (B) Circuito sintetizado em
(VilelaNeto, 2007); (C) Circuito sintetizado neste trabalho.
O dispositivo resultante contm 17 clulas enquanto um circuito sintetizado
por especialistas tem 21 clulas, sendo 20% ou quatro clulas menor. Esta uma
reduo significativa, supondo que o custo do circuito diretamente proporcional a
quantidade de clulas. Em termos de polarizao, o circuito obtido pelo AG conseguiu superar ao presente na literatura por cerca de 1,47%. A diferena percentual
neste caso baixa, mas deve-se ressaltar que ambos j esto com nveis muito altos
de polarizao.
Em (VilelaNeto, 2007) conseguiu-se obter um circuito com trs unidades de
clulas a menos que o circuito deste trabalho, mas a grande diferena est nos nveis
de polarizao de sada. A do trabalho anterior cerca de 28% inferior.
Experimento 2 - Porta OU de quatro entradas
91
Figura 5.10: (A) Circuito sintetizado por especialista; (B) Circuito sintetizado em
(VilelaNeto, 2007); (C) Circuito sintetizado neste trabalho.
Novamente o circuito evoludo teve uma quantidade de clulas inferior ao
de especialistas, dessa vez cerca de 17% ou trs clulas e ambos com nveis de
polarizao na sada praticamente idnticos, prximo de 100%. Com relao ao
trabalho anterior, o circuito obtido no presente trabalho muito superior em termos
de robustez. O nvel de polarizao de sada 31% superior, com um aumento
de apenas trs unidades de clulas. Este aumento na confiabilidade talvez seja
determinante na viabilidade tcnica do dispositivo, j que a polarizao de 68,4%
do ideal obtida anteriormente pode ser muito baixa para que o circuito tenha uma
boa imunidade a influncias externas.
92
Neste trabalho procurou-se aprimorar a sntese automtica de circuitos baseados em QCA desenvolvida anteriormente. A obteno de dispositivos robustos fator primordial no avano da tecnologia QCA. Neste trabalho props-se uma tcnica
que apresentou resultados superiores aos circuitos desenvolvidos por especialistas,
obtendo circuitos com menos clulas e nvel de polarizao de sada elevado.
A sntese evolucionria permite a explorao de diferentes tipos de arranjos,
na maioria das vezes no convencionais ou intuitivos, permitindo que circuitos
alternativos sejam obtidos a partir de poucas informaes fornecidas. Tal como
apresentado no trabalho anterior (VilelaNeto, 2007), os algoritmos evolucionrios
so ferramentas poderosas para a sntese automtica de circuitos de QCA. Este
trabalho demonstrou que estas ferramentas so eficientes na busca por solues
otimizadas, mesmo quando outros objetivos so levados em considerao. Neste
caso, a otimizao da polarizao da clula de sada.
6
Otimizao de Funes de Base
6.1
Introduo
n
X
ci
(6-1)
=1
(6-2)
94
g (, l, m, n, x, y, z) = Ner xl ym zn
(6-3)
2,0130r2
+ 0, 01906N4 e
(6-4)
13,3615r2
(6-5)
95
96
k = 1, ..., N
(6-8)
A > 1.
(6-9)
97
pontos igualmente espaados, como mostra a equao 6-8, para gerar as funes de
base (Mohallem, 1986). O conjunto de base gerado por este mtodo conhecido
como SOGBSs (do ingls, Single Optimized Gaussian Basis Set) (Jorge, 1999).
Com o intuito de aprimorar o mtodo descrito anteriormente, foi proposto o
uso de duas ou trs sequncias aritmticas, gerando as funes de base DOGBSs
(double) e TOGBSs (triple), respectivamente (Jorge, 1999).
Nesta nova alternativa, as coordenadas geradoras so discretizadas, para cada
simetria s, p, d e f, em duas
k =
(6-10)
1
+ (k 1)1 , k = M + 1, ..., N
min
e trs
1
(6-11)
k =
min + (k 1)1 , k = j + 1, ..., M
2 + (k 1)2 , k = M + 1, ..., N
min
seqncias aritmticas independentes, respectivamente.
Observe que o nmero de parmetros a ser otimizado para as equaes 6-10 e
6-11 , respectivamente, duas e trs vezes maior do que o GCHF original. Tambm
importante perceber que quando se utiliza estas duas ltimas equaes, os valores
de i no so mais igualmente espaados.
6.4
Expanso Polinomial
Uma alternativa para o procedimento de discretizao apresentado anteriormente o uso de expresses polinomiais para o k , proposto em
(Klobukowski, 1993) e (Klobukowski, 1994). A equao tem a seguinte forma:
k =
N
X
i=0
pi,l (k 1)i ,
j = 1, ...., Ml
(6-12)
98
(6-13)
(6-14)
(6-15)
99
Tamanho da Funo
18s
18s
20s11p
20s11p
20s11p
20s11p
20s11p
20s11p
SOGBSs
2
2
4
4
4
4
4
4
DOGBSs
4
4
8
8
8
8
8
8
TOGBSs
6
6
12
12
12
12
12
12
Tamanho da Funo
18s
B - Ne
20s11p
DOGBSs
13 - 5
15 - 5
8-3
TOGBSs
13 - 3 - 2
15 - 3 - 2
8-2-1
Tabela 6.2: Tamanho das sequncias aritmticas usadas para gerar os expoentes das
funes gaussianas.
A tabela 7.10 apresenta os resultados obtidos. Para todos os tomos, exceto oxignio e flor, os valores apresentados so as diferenas em micro-hartree
(106 hartree) para o estado fundamental destes tomos (Bunge,1992). A terceira
coluna apresenta as diferenas de energia obtidas pelo Gaussian (G03) usando os
parmetros originais de (Jorge, 1999), a quarta coluna apresenta as diferenas de
energias obtidas pela otimizao com o Algoritmo Gentico e, por fim, a ltima
coluna apresenta as energias do estado fundamental (Bunge,1992).
Os valores em negrito na tabela 7.10 indicam a menor energia entre o mtodo
com os parmetros originais de (Jorge, 1999) e o mtodo com os parmetros
otimizados pelo Algoritmo Gentico. O AG apresenta menor energia para todos
os casos, exceto para o tomo de flor com a heurstica SOGBSs. Observe que as
100
tomo
Li(2 S )
Li(2 S )
Li(2 S )
Be(1 S )
Be(1 S )
Be(1 S )
B(2 P)
B(2 P)
B(2 P)
C(3 P)
C(3 P)
C(3 P)
N(4 S )
N(4 S )
N(4 S )
O(3 P)
O(3 P)
O(3 P)
F(2 P)
F(2 P)
F(2 P)
Ne(1 S )
Ne(1 S )
Ne(1 S )
Heurstica
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
Originais
3,2
2,8
2,2
6,4
5,6
4,3
4,4
3,9
3,2
6,8
5,8
4,2
11,7
10,0
7,2
20
17
12
31
27
19
46,4
40,8
29,0
Otimizados
3,2
1,4
1,4
6,4
2,9
2,8
4,4
2,8
2,7
6,8
4,0
3,8
11,7
7,0
7,0
19
12
11
33
19
18
46,3
29,4
22,3
101
HF Numrico
-7,432726927
-7,432726927
-7,432726927
-14,57302316
-14,57302316
-14,57302316
-24,52906072
-24,52906072
-24,52906072
-37,68861895
-37,68861895
-37,68861895
-54,40093419
-54,40093419
-54,40093419
-74,80939815
-74,80939815
-74,80939815
-99,40934933
-99,40934933
-99,40934933
-128,547098
-128,547098
-128,547098
tomo
Li(2 S )
Li(2 S )
Li(2 S )
Be(1 S )
Be(1 S )
Be(1 S )
Heurstica
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
B(2 P)
SOGBSs
B(2 P)
DOGBSs
B(2 P)
TOGBSs
C(3 P)
SOGBSs
C(3 P)
DOGBSs
C(3 P)
TOGBSs
N(4 S )
SOGBSs
N(4 S )
DOGBSs
N(4 S )
TOGBSs
O(3 P)
SOGBSs
O(3 P)
DOGBSs
O(4 P)
TOGBSs
F(2 P)
SOGBSs
F(2 P)
DOGBSs
F(2 P)
TOGBSs
Ne(1 S )
SOGBSs
Ne(1 S )
DOGBSs
Ne(1 S )
TOGBSs
Cromossomo
0,9992 1,0036
1,0142 0,9681 1,9964 1,2911
1,0112 0,9760 1,8732 1,2760 1,7070 1,1707
1,0006 1,0030
1,0063 0,9730 1,9921 1,2583
1,0064 0,9764 1,9090 1,2451 1,8410 1,1658
1,0011 0,9983
0,9883 0,9963
1.0030 0.9805 1.9949 1.1974
0.9955 0.9690 1.8859 1.3903
1.0096 0.9839 1.7628 1.1563 1.1061 1.0079
0.9936 0.9706 1.4971 1.2232 0.9834 1.0036
1,0022 0,9983
1,0042 1,0000
1,0003 0,9813 1,9543 1,1607
1,0130 0,9720 1,7057 1,2555
1,0051 0,9895 1,6602 1,1178 1,0479 1,0007
0,1579 1,2316 0,9805 0,9757 1,0028 0,9835
0,9998 0,9982
1,0026 0,9965
1,0064 0,9865 1,9206 1,1328
1,0166 0,9729 1,8286 1,2659
1,0053 0,9903 1,6455 1,2515 1,5576 0,8210
0,6507 0,7172 0,9570 0,9719 0,4040 0,8354
1,0033 0,9982
1,0190 1,0035
1,0007 0,9852 1,8856 1,1109
1,0230 0,9804 1,8047 1,2406
1.0158 0.9846 1.9785 1.1325 1.7692 1.0666
1.5556 1.0729 1.0726 0.9969 1.5160 1.0956
1,0014 0,9980
1,0079 0,9999
1,0048 0,9910 1,8218 1,0896
1,0169 0,9753 1,9035 1,2464
1,0161 0,9850 1,9937 1,1184 1,2247 1,0110
0,5824 0,9766 0,9938 0,9874 1,0198 0,9957
1,0038 0,9979
1,0080 1,0021
0,9962 0,9855 1,9403 1,0845
1,0051 0,9767 1,8595 1,2129
1,0118 0,9870 1,5760 1,1988 1,3917 0,7942
1,0284 0,9719 1,6937 0,1714 0,7286 0,9459
102
tomo
Heurstica
Ne(1 S )
DOGBSs
103
Cromossomo
1.0189 0.96923 3.4360 1.2275
1.0154 0.9641 2.5523 1.3932
Heurstica
SOGBSs
DOGBSs
TOGBSs
SOGBSs
DOGBSs
TOGBSs
Nmero de Geraes
100
300
500
150
700
900
Funo de Base
10s4p
11s5p
12s6p
13s7p
14s8p
15s9p
16s10p
17s11p
18s12p
C
5401
1457
428
140
52
20
8
4
2
104
Ne
55145
13871
3725
1078
341
116
42
16
7
Nmero de Primitivas
14
18
22
26
30
FB
10s4p
12s6p
14s8p
16s10p
18s12p
E original
5401
428
52
8
2
FB
9s5p
12s6p
14s8p
16s10p
19s11p
E otimizado
3643
440
52
8
1
Nmero de Primitivas
14
18
22
26
30
FB
10s4p
12s6p
14s8p
16s10p
18s12p
E original
55145
3725
341
42
7
FB
9s5p
11s7p
13s9p
16s10p
18s12p
E otimizado
20196
2065
277
42
6
105
Nos resultados apresentados nas tabelas 6.8 e 6.9 as melhores funes de base
tm seus resultados destacados em negrito.
Pode-se observar, atravs dos resultados apresentados na tabela 6.8, que o
mtodo de otimizao usado encontrou melhores resultados para duas quantidades
de primitivas diferentes (14 e 30 primitivas). Em ambos os resultados a distribuio
das primitivas diferente daquela apresentada em (Klobukowski, 1994). Para o
total de 14 primitivas gaussianas, o resultado encontrado diminuiu o nmero de
primitivas para a simetria s de uma unidade. O resultado para este caso teve uma
melhora de 32,52%. J para o caso com um total de 30 primitivas, a otimizao
aumentou o nmero de primitivas s de uma unidade. Neste caso, o nmero de
primitivas muito grande e a energia muito prxima do estado fundamental. Por
outro lado, para as outras trs configuraes a distribuio das primitivas ficou
exatamente como proposta em (Klobukowski, 1994), sendo que para duas delas (22
e 26 primitivas) o resultado foi o mesmo. Para o caso de 18 primitivas, o resultado
obtido foi pior do que o proposto pela literatura.
J para o tomo de Ne, a tabela 6.9 mostra que a distribuio das primitivas
encontradas diminuiu o nmero de gaussianas para a simetria s de uma unidade
para as trs primeiras configuraes (14, 18 e 22 primitivas). Para estas trs configuraes, a melhora obtida foi de 63,37%, 44,56% e 18,77%, respectivamente. J
para as outras duas configuraes, a distribuio de primitivas se manteve igual. O
resultado para o total de 26 primitivas foi igual ao anterior, enquanto que para 30
primitivas a energia diminuiu de 1 micro-hartree.
Neste caso, utilizou-se uma heurstica co-evolucionria com trs diferentes
espcies. Duas espcies foram usadas para otimizar os parmetros das simetrias s
e p e uma espcie otimizou a distribuio das simetrias. Todas as espcies foram
otimizadas por um algoritmo evolucionrio com inspirao quntica (AEIQ-R).
Cinco experimentos foram realizados para cada configurao. Apenas os melhores
resultados so apresentados. Os parmetros utilizados pelo GA esto listados a
seguir:
Tamanho da Populao Clssica: 100
Tamanho da Populao Quntica: 2
Nmero de Observaes: 5
Nmero de geraes: 600
Taxa de crossover: 100%
Taxa de mutao: 5%
Por fim, a ltima alternativa realizada visa otimizar diretamente cada um dos
expoentes, independente de uma funo relacionada. Neste caso a quantidade de
106
...
N ]
(6-16)
(6-17)
AG
-128,546677
-128,547094
(Partridge, 1989)
-128,546677
-128,547094
HF numrico (Bunge,1992)
-128,547098
-128,547098
7
Otimizao de Agregados Atmicos e Moleculares
7.1
Introduo
Agregados podem ser compostos por tomos ou molculas. Estes agregados podem possuir entre algumas unidades e milhes de tomos e molculas
(Johnston, 2003). O interesse em agregados cresce, em parte, porque eles constituem uma nova classe de materiais que possuem propriedades diferentes quando
comparados s molculas isoladas ou grandes pedaos de matria. Por exemplo,
alguns metais (ex. paldio) no so magnticos no estado slido, mas apresentam
magnetismo quando formam agregados. Outra razo importante para este tipo estudo o entendimento da evoluo das propriedades com o aumento gradual do
tamanho dos agregados (Johnston, 2003).
A teoria tem um papel muito importante no estudo dos agregados, j que
muitas das suas propriedades so difceis de serem medidas experimentalmente
e dados de espectroscopia so geralmente interpretados em termos de modelos
tericos.
Quando um clculo emprico, semi-emprico ou ab initio usado para descrever as ligaes de um agregado, um dos primeiros objetivos encontrar o arranjo
de tomos (ou ons ou molculas) que corresponde menor energia, ou seja, o mnimo global (MG) na superfcie de energia potencial (Doye, 2004). A importncia
de encontrar o agregado que corresponde ao mnimo global se d por este ser o candidato mais provvel de ser formado, j que o mais estvel. Porm, dependendo
das condies do meio envolvido, estruturas meta-estveis de baixa energia podem
ser formadas, sendo importante estudar no somente o agregado de menor energia,
como tambm aqueles de energia prxima.
Como o nmero de mnimos aumenta exponencialmente com o aumento do
agregado, encontrar o mnimo global uma tarefa computacionalmente cara. J
foi provado que mtodos como simulao Monte Carlo (MC), Dinmica Molecular
(MD) e Simulated Anneling (SA) possuem dificuldades para encontrar o mnimo
global com alguns tipos de interaes (Johnston, 2003). Por esta razo, Algoritmos
Genticos (AG) tm sido muito utilizados na otimizao da geometria de agregados
108
atmicos e moleculares.
7.2
Histrico
A busca pelas geometrias de pequenos agregados depende muito da inicializao da estrutura. Nos ltimos anos, Algoritmos Genticos tm sido usados para encontrar o mnimo global e os mnimos locais de energia mais baixa (Johnston, 2003)
(Doye, 2004) (Alexandrova, 2004) (Alexandrova, 2005) (Bazterra, 2004). O uso de
Algoritmos Genticos para a otimizao da geometria de agregados teve incio na
dcada de 90 por Hartke (Hartke, 1993) e Xiao e Willians (Xiao, 1993) para a otimizao de pequenos agregados de silcio e agregados moleculares, respectivamente.
Em ambos os casos, a geometria dos agregados era codificada por bits. Depois de
seu trabalho pioneiro, Hartke publicou o resultado da otimizao da geometria por
Algoritmos Genticos para outros agregados, tais como gua (Hartke, 2003) e mercrio (Hartke, 2001).
Uma evoluo importante para a otimizao dos agregados por Algoritmos
Genticos foi introduzida por Zeiri, que passou a representar a estrutura do agregado por genes reais (Zeiri, 1995). Esta metodologia permitiu representar a posio
dos elementos de forma contnua, removendo a necessidade de codificao e decodificao do cromossomo binrio. Em seguida, Deaven e Ho desenvolveram um
algoritmo hbrido onde uma minimizao local por gradiente aplicada sempre que
uma nova estrutura gerada pelo Algoritmo Gentico (Deaven, 1995). A introduo
da minimizao local transforma a curva do potencial de energia em uma superfcie
de degraus, onde cada degrau corresponde a uma base de atrao, como mostrado
na figura 7.1. Esta simplificao facilita consideravelmente a busca pelo mnimo
global, reduzindo o espao de busca do Algoritmo Gentico. Neste contexto, a utilizao da minimizao local corresponde a uma evoluo Lamarquiana, ao invs
da Darwiniana, j que os indivduos agregam aos seus cromossomos caractersticas
que adquiriram pela minimizao local, alterando parte do que foi herdado.
Outra melhoria introduzida por Deaven e Ho foi a introduo de um novo
operador tri-dimensional, chamado de corte e unio (em ingls, "cut and splice")
(Deaven, 1995). Este operador d um significado fsico maior ao processo de crossover. Neste caso, bons esquematas correspondem s regies dos agregados pais
que possuem energia local baixa. Deaven e Ho aplicaram este operador na otimizao de agregados de carbono usando potenciais empricos, permitindo encontrar
muitos mais mnimos de baixa energia que outros operadores (Johnston, 2003). Um
exemplo deste operador mostrado na figura 7.2.
Geralmente, pelo alto poder computacional necessrio, a otimizao de
agregados realizada com o auxlio de mtodos empricos ou semi-empricos.
109
Neste trabalho, a otimizao da geometria dos agregados foi realizada seguindo o fluxograma mostrado na figura 7.3.
Em cada ciclo do Algoritmo Gentico, um conjunto de novos indivduos
criado para substituir os piores indivduos da populao. A porcentagem de
indivduos substitudos chamada de GAP. Como proposto por Deaven e Ho
(Deaven, 1995), todos os indivduos criados so otimizados para o mnimo local
mais prximo, usando-se um mtodo de gradiente.
As caractersticas do Algoritmo Gentico so descritas a seguir.
7.3.1
Representao dos Indivduos e Gerao da Populao Inicial
110
111
as distncias inter-atmicas nos agregados. Todos os indivduos gerados aleatoriamente na primeira gerao so, posteriormente, otimizados para o mnimo local
mais prximo.
7.3.2
Avaliao e Seleo dos Genitores
A avaliao de cada um dos indivduos dada pela energia obtida por algum
clculo de qumica computacional.
A seleo dos genitores usada neste trabalho conhecida como roleta. Neste
caso, os indivduos mais aptos tm uma probabilidade maior de serem escolhidos
para gerarem os novos indivduos. Como o objetivo, neste trabalho, minimizar a
energia, os indivduos de menor energia devem ter uma probabilidade maior de
serem escolhidos. Portanto, com o intuito de auxiliar a evoluo do Algoritmo
Gentico, este trabalho usa um mtodo de normalizao linear, com os valores
variando entre 1 e N pop . A tabela 7.1 apresenta um exemplo simples de uma
populao de 10 indivduos. A segunda coluna mostra a avaliao original do
indivduo, ou seja, a energia do agregado correspondente em uma unidade de
medida qualquer. A terceira coluna mostra a aptido do indivduo aps a aplicao
de uma normalizao linear de mnimo 5 e mximo 50. Os valores desta ltima
coluna so usados pela roleta para a seleo dos genitores. Logo, como era desejado,
um indivduo de menor energia tem mais probabilidade de ser escolhido do que um
indivduo de maior energia.
Indivduo
1
2
3
4
5
6
7
8
9
10
Avaliao Original
-123,46
-123,42
-123,40
-123,36
-123,25
-123,18
-123,03
-122,42
-121,01
-119,68
Aptido Normalizada
50
45
40
35
30
25
20
15
10
5
7.3.3
Operadores
Existem dois tipos principais de operadores genticos responsveis pela criao de novos indivduos.
112
113
114
7.4
Agregados de Li e F
7.4.1
Agregados de (LiF)n Li+
-222.4186509
-222.4045603
115
-222.3960408
-329.966228
-329.9636088
-329.9631894
-329.96154
-329.9542264
-329.9477844
-329.9439183
116
-214.993798
-322.5687344
-315.021411
-315.004955
117
-314.994748
-422.565739
-422.560808
-422.557149
-422.549052
-422.540097
-422.530358
118
Esta primeira etapa apresenta o uso de Algoritmos Genticos (AG) para encontrar o mnimo global de energia de agregados de gua usando o potencial emprico TTM2.1-F. De fato, o mtodo de busca e otimizao AG j foi recentemente
utilizado para a otimizao de agregados de gua com o potencial TTM2.1-F para
n = 6 - 34 (Bandow, 2006).
Em seguida, os agregados obtidos por esta metodologia foram recalculados
usando o mtodo DFT B3LYP/6-311++G(2d,2p). O mtodo e funo de base
119
-152,931994
-229,410557
-305,891845
-382,367790
-458,842485
-535,322505
120
-611,808416
121
encontrar um agregado estvel para este caso. Pode-se considerar que este composto
uma radical livre catinico, que so comuns em espectroscopia de massa, apesar
de menos estveis que os radicais livre aninicos. Estes radicais costumam se
fragmentar em misturas de especies inicas e radicais livres no carregados.
-152,535233
-229,039935
-305,492964
-381,981257
-458,513164
-535,002857
-611,485133
122
Tal como foi feito para o caso anterior, os agregados neutros sero usados
como base para encontrar novos agregados inicos. Porm, neste caso vamos
considerar que um on (positivo ou negativo) vai de encontro com o agregado neutro,
mas sem energia suficiente para quebr-lo, ou seja, o on se ligar superfcie do
agregado. Aps se adsorver na superfcie deste, o novo agregado relaxado como
um todo para encontrar a estrutura mais estvel do composto inico. Todo este
processo est ilustrado na figura 7.10.
123
rotao deste. Estes genes representam os ngulos de Euler, que permitem a rotao
em uma esfera.
124
2-1 : -229,039935
3-1 : -305,528305
3-2 : -305,528149
4-1 : -382,020716
4-2 : -382,018126
4-3 : -382,014615
5-1 : -458,517760
5-2 : -458,510348
6-1 : -534,981337
7-1 : -611,485872
8-1 : -687,967533
125
2-1 : -229,751526
3-1 : -306,239206
4-1 : -382,723024
4-2 : -382,722868
5-1 : -459,206488
5-2 : -459,204543
6-1 : -535,707874
7-1 : -612,172460
7-2 : -612,169866
126
8-1 : -688,647709
2-1 : -228,835011
3-1 : -305,326858
3-2 : -305,320523
4-1 : -381,813574
4-2 : -381,806637
5-1 : -458,300388
5-2 : -458,299321
5-3 : -458,293567
6-1 : -534,779925
6-2 : -534,777286
6-3 : -534,776742
6-4 : -534,775561
7-1 : -611,252050
8-1 : -687,731843
127
8
Concluses e Trabalhos Futuros
Este trabalho props investigar o apoio das tcnicas de Inteligncia Computacional no desenvolvimento da Nanocincia e Nanotecnologia. Tal apoio aqui
denominado de Nanotecnologia Computacional Inteligente. Vrios estudos de
caso foram apresentados e propostos de forma a investigar o apoio das tcnicas de
IC no projeto, caracterizao, simulao e otimizao de estruturas nanomtricas e
subnanomtricas. O uso de Redes Neurais Artificiais apresentado para inferir as
caractersticas de nanoestruturas a partir dos parmetros de entrada para a sntese.
De posse destes sistemas de inferncia, pode-se usar um Algoritmo Gentico para
obter o conjunto de parmetros timo para sintetizar a nanoestrutura desejada. Os
Algoritmos Genticos so tambm usados, juntamente com simuladores de nanodispositivos, para encontrar as estruturas e parmetros timos para a sntese dos
nanodispositivos desejados. Os clculo de modelagem molecular dependem fortemente dos parmetros usados. Os mtodos ab initio, utilizam funes gaussianas
para aproximar as funes de onda dos tomos. As funes gaussianas utilizadas
necessitam de expoentes otimizados para a boa representao destas funes de
onda. Por fim, os agregados atmicos e moleculares tm sido largamente estudados
e Algoritmos Genticos so usados para a obteno do ismero de menor energia e
outros ismeros de baixa energia. Neste trabalho foram otimizadas as estruturas de
agregados de Li e F, alm de agregados de H2 O.
Com relao inferncia e otimizao de parmetros para a sntese de nanoestruturas, os resultados obtidos demonstram o grande potencial das tcnicas de
Inteligncia Computacional. Mesmo com uma base de dados pequena ou bastante
heterognea, a Rede Neural Artificial foi capaz de inferir caractersticas muito semelhantes quelas obtidas pelos resultados experimentais. Os erros obtidos para os
dois casos apresentados ficaram em torno de 10% e 4%, respectivamente. Apesar
dos resultados apresentados inferirem caractersticas especficas de pontos qunticos e de nanocompsitos, as tcnicas computacionais utilizadas podem ser facilmente estendidas para outras caractersticas destes materiais e, at mesmo, para inferir propriedades de outros materiais, tais como, nanotubos, supramolculas, dendrmeros, etc. Os sistemas propostos e aplicados neste trabalho diminuem significativamente o nmero de experimentos necessrios nos laboratrios, j que eles
129
podem ser usados para guiar a busca pelos parmetros timos. Como consequncia
da diminuio na quantidade de experimentos, h uma reduo significativas nos
custos das pesquisas. Os resultados preliminares so bastante promissores, principalmente para aplicaes industriais, mostrando que as tcnicas de Inteligncia
Computacional podem ser parte fundamental da nanoinformtica e, consequentemente, acelerar o desenvolvimento da Nanotecnologia. O desenvolvimento de ferramentas de manipulao de dados, como mostrado neste trabalho, fundamental
para o desenvolvimento da Nanoinformtica. A nica desvantagem da heurstica
proposta a dependncia de dados experimentais confiveis, em grande quantidade
e bem distribudos. A inferncia s pode ser realizada a partir de uma quantidade
de dados mnima e o sistema resultante totalmente dependende da qualidade dos
dados usados.
Em uma outra alternativa estudada para o projeto de nanodispositivos, Algoritmos Genticos so aplicados juntamente simuladores dedicados. Estes simuladores so os responsveis pela avaliao dos nanodispositivos propostos pelo AG,
indicando o quo bom cada uma das solues evoludas. Dois diferentes projetos
foram realizados e, em ambos, os resultados obtidos foram surpreendentes, apresentando estruturas inovadoras e mais eficientes que aquelas anteriormente propostas
na literatura. O uso de um sistema de projeto automtico possibilita explorar todo
o espao de busca permitido para a construo dos nanodispositivos e, consequentemente, no fica limitado s regras de projeto usadas por especialistas. Por esta
razo, muitas vezes os nanodispositivos obtidos apresentam estruturas e configuraes inimaginveis. Os resultados apresentados para os circuitos de QCA so um
exemplo disto. As estruturas obtidas possuem um grau de polarizao das clulas de
sada semelhante quelas propostas pelos especialista, porm aquelas obtidas pelo
sistema proposto possuem uma reduo significativa no nmero de clulas. Por outro lado, as estruturas construdas pelos especialistas so muito mais amigveis e
fceis de serem entendidas. Contudo, exatamente a liberdade de construo, sem
a preocupao do entendimento, que permite aos sistemas de projeto automtico
encontrarem solues inovadoras. A mesma observao pode ser feita sobre a otimizao dos OLEDs multicamadas, basta observar que as concentraes obtidas
pelo AG se diferenciam daquelas propostas pelos especialistas.
Com relao otimizao dos expoentes das funes de base, esta tese
props a otimizao dos parmetros do mtodo GCHF. Os resultados obtidos
atravs da aplicao do Algoritmo Gentico na otimizao destes parmetros foram
satisfatrios. As energias obtidas para a heurstica SOGBS so semelhantes quelas
descritas na literatura. Para este caso o AG converge rapidamente para o mesmo
valor em todos os experimentos realizados, indicando que o mnimo global
obtido. J para as heursticas DOGBS e TOGBS, o AG capaz de obter energias
130
131
anteriormente na literatura.
Apesar do uso de tcnicas de Inteligncia Computacional j ter sido realizada
pontualmente eu um ou outro projeto em Nanocincia e Nanotecnologia, est tese
apresentou pela primeira vez uma avaliao mais ampla do apoio destas ferramentas
computacionais no desenvolvimento nanotecnolgico. Os resultados obtidos neste
trabalho indicam que os mtodos de Inteligncia Computacional podero ter um
impacto positivo no desenvolvimento da Nanocincia e Nanotecnologia. Como
previsto na introduo deste trabalho, as tcnicas de IC podem ser utilizadas na
caracterizao, projeto, simulao e otimizao de estruturas nanomtricas e subnanomtricas.
O sucesso da aplicao destas tcnicas nas mais diversas reas da cincia e da
indstria mais um fator de otimismo no desenvolvimento da Nanotecnologia. Contudo, a Nanocincia e a Nanotecnologia possuem um uma grande vantagem quando
comparadas s outras reas onde a Inteligncia Computacional foi aplicada com sucesso. Diferentemente das outras reas, a Nanocincia e a Nanotecnologia formam
um campo de pesquisa e desenvolvimento ainda pouco explorado e com um potencial de crescimento enorme. Os nanodispositivos e as nanoestruturas obtidas com o
auxlio da IC certamente sero usadas em aplicaes inovadoras, que transformaro
muito o estilo e qualidade de vida da sociedade. Como comparao podemos citar o
uso dos Algoritmos Genticos no desenvolvimento de circuitos eletrnicos. Apesar
do sucesso deste tipo de aplicao, quando ela foi usada pela primeira vez a indstria
da eletrnica j estava consolidada. Logo, os circuitos eletrnicos revolucionrios
criados pelos AGs no causaram grande impacto na sociedade e em grande parte
somente so aplicados em pesquisas avanadas, tal como exploraes espaciais. J
a indstria da Nanotecnologia ainda no est totalmente consolidada, na verdade
ela est em seus estgios iniciais, e a continuao das pesquisas apresentadas neste
trabalho pode ser um fator acelerador do desenvolvimento esperado.
8.1
Trabalhos Futuros
132
O uso de simuladores de OLEDs mais completos, tal como alguns j disponveis comercialmente, possibilitaro a otimizao no somente da concentrao dos portadores de carga, mas tambm da estrutura do nanodispositivo
como um todo, ou seja, o nmero de camadas, a espessura de cada uma delas,
os materiais usados, etc.
Algoritmos Genticos tradicionais ou com inspiraes qunticas podem ser
usados para a otimizao de funes de base para todos os tomos da tabela
peridica em diferentes nveis de teoria. Os mesmo algoritmos podem ser
usados para a otimizao de parmetros de campos de foras utilizados na
simulao de diversas nanoestruturas diferentes.
Agregados de diferentes tomos ou molculas podem ser explorados usando
os eficientes mtodos de busca pela geometria mais estvel.
Alm das aplicaes anteriormente citadas, acredita-se que novas metodologias inteligentes e sistema hbridos podem ser extremamente valiosos no desenvolvimento da Nanocincia e Nanotecnologia. Este trabalho explorou basicamente
as Redes Neurais Artificiais e os Algoritmos Evolutivos, mas muitas outras metodologias existente ou ainda a serem propostas podem auxiliar no desenvolvimento
nanotecnolgico. Dentre algumas outras ferramentas, pode-se citar:
Programao Gentica;
Sistemas Fuzzy;
Sistemas Neuro-Fuzzy;
Sistemas Neuro-Genticos;
Agentes Inteligentes;
Sistema Monte-Carlo-Fuzzy;
Algoritmos com Inspirao Quntica.
Alguns projetos sugeridos so:
Programao Gentica para o desenvolvimento de Experimentos Virtuais,
tal como demostrados com Redes Neurais Artificiais;
Programao Gentica para a criao de funcionais de troca e correlao para
clculos DFT;
Agentes Inteligentes aplicados simulao de sistemas de auto-montagem;
Sistema Monte-Carlo-Fuzzy para avaliar a incerteza de posicionamento de
tomos em clculos moleculares;
133
Referncias Bibliogrficas
Referncias Bibliogrficas
135
[Borgstrom, 2003] BORGSTROM, M.; PIRES, M.; BRYLLERT, T.; LANDI, S.;
SEIFERT, W. ; SOUZA, P.. InAs quantum dots grown on InAlGaAs
for Predicting the Binding Energies of Neutral, Protonated, and Deprotonated Water Clusters. Journal of Chemical Theory and Computation,
5:10161026, 2009. 7.5.1
[Bunge,1992] BUNGE, C.; BARRIENTOS, J.; BUNGE, A. ; COGORDAN, J..
Hartree-Fock and Roothaan-Hartree-Fock energies for the ground states of He through Xe. Physical Review A, 46(7):36913696, 1992. 6.6,
6.6
[Burnham, 2002] BURNHAM, C.; XANTHEAS, S.. Development of transferable
interaction models for water. IV. A flexible, all-atom polarizable potential (TTM2-F) based on geometry dependent charges derived from an ab
initio monomer dipole moment surface. The Journal of Chemical Physics, 116:5115, 2002. 7.5, 7.5.1
[Callister, 1993] CALLISTER, W.. Materials science and engineering: an intro-
Referncias Bibliogrficas
136
[Chang, 1996] CHANG, C.; SZE, S.. ULSI technology. McGraw-Hill New York,
1996. D
[Chan, 2002] CHAN, C.; WU, J.; LI, J. ; CHEUNG, Y.. Polypropylene/calcium
Independent Electron Models: Hartree-Fock for ManyElectron Atoms. MOTE CC-90 Modern Techniques in Computational
Chemistry (E. Clementi, Ed.), Escom, Leiden, p. 9072199, 1990. 6.1
NAD, V..
[Cohentannoudji, 1979] COHEN-TANNOUDJI, C.; DIU, B.; LAL, F. ; CRASEMANN, B.. Quantum Mechanics. American Journal of Physics, 47:662,
1979. 2.3.2
[Davis, 1991] A.V. ABS DA CRUZ, C.R. HALL BARBOSA, M. P.. Algoritmos
Evolucionrios com Inspirao em Computao Quntica e sua Aplicao em Problemas de Otimizao Numrica. 2004. 3.1.4, 3.1.4
[Deaven, 1995] DEAVEN, D.; HO, K.. Molecular Geometry Optimization with
Development for the Next Decade, and its Implications for Molecular
Modelling Applications. The ENACTS project, http://www. enacts. org.
2.6
[Fanourgakis, 2006] FANOURGAKIS, G.; XANTHEAS, S.. The flexible, polari-
Referncias Bibliogrficas
137
Theoretical and Experimental Study of Positive and Neutral LiF Clusters Produced by Fast Ion Impact on a Polycrystalline LiF Target. The
Journal of Physical Chemistry A, 113(9):18131821, 2009. 1.3, 7.4.1,
7.4.1
[Fernandez, 2009b] FERNANDEZ-LIMA, F.; VILELANETO, O.; PIMENTEL, A.;
PONCIANO, M.; NASCIMENTO, M. ; SILVEIRA, E.. Theoretical and Ex-
trahedral quantum dot structures fabricated using selective area metalorganic chemical vapor deposition. Applied Physics Letters, 58:2018,
1991. 4.2
[G03] FRISCH, M. J.; TRUCKS, G. W.; SCHLEGEL, H. B.; SCUSERIA, G. E.;
ROBB, M. A.; CHEESEMAN, J. R.; MONTGOMERY, JR., J. A.; VREVEN, T.; KUDIN, K. N.; BURANT, J. C.; MILLAM, J. M.; IYENGAR, S. S.;
TOMASI, J.; BARONE, V.; MENNUCCI, B.; COSSI, M.; SCALMANI, G.;
REGA, N.; PETERSSON, G. A.; NAKATSUJI, H.; HADA, M.; EHARA, M.;
TOYOTA, K.; FUKUDA, R.; HASEGAWA, J.; ISHIDA, M.; NAKAJIMA, T.;
HONDA, Y.; KITAO, O.; NAKAI, H.; KLENE, M.; LI, X.; KNOX, J. E.; HRATCHIAN, H. P.; CROSS, J. B.; BAKKEN, V.; ADAMO, C.; JARAMILLO,
J.; GOMPERTS, R.; STRATMANN, R. E.; YAZYEV, O.; AUSTIN, A. J.;
Referncias Bibliogrficas
138
CAMMI, R.; POMELLI, C.; OCHTERSKI, J. W.; AYALA, P. Y.; MOROKUMA, K.; VOTH, G. A.; SALVADOR, P.; DANNENBERG, J. J.; ZAKRZEWSKI, V. G.; DAPPRICH, S.; DANIELS, A. D.; STRAIN, M. C.; FARKAS, O.; MALICK, D. K.; RABUCK, A. D.; RAGHAVACHARI, K.; FORESMAN, J. B.; ORTIZ, J. V.; CUI, Q.; BABOUL, A. G.; CLIFFORD, S.; CIOSLOWSKI, J.; STEFANOV, B. B.; LIU, G.; LIASHENKO, A.; PISKORZ, P.;
KOMAROMI, I.; MARTIN, R. L.; FOX, D. J.; KEITH, T.; AL-LAHAM, M. A.;
PENG, C. Y.; NANAYAKKARA, A.; CHALLACOMBE, M.; GILL, P. M. W.;
JOHNSON, B.; CHEN, W.; WONG, M. W.; GONZALEZ, C. ; POPLE, J. A..
Gaussian 03, Revision C.02. Gaussian, Inc., Wallingford, CT, 2004. 6.5,
6.6, 7.4.1
Principles of composite material mechanics.
McGraw-Hill, New York, 1994. 4.3
for the Computational Nanotechnology Community. Workshop on Science Gateways: Common Community Interfaces to Grid Resources, GGF,
14, 2005. 2.5
[Gojny, 2004] GOJNY, F.; WICHMANN, M.; KPKE, U.; FIEDLER, B. ;
SCHULTE, K.. Carbon nanotube-reinforced epoxy-composites: enhan-
ced stiffness and fracture toughness at low nanotube content. Composites Science and Technology, 64(15):23632371, 2004. B
[Gojny, 2005] GOJNY, F.; WICHMANN, M.; FIEDLER, B. ; SCHULTE, K.. In-
Referncias Bibliogrficas
139
to combinatorialoptimization problem. In: EVOLUTIONARY COMPUTATION, 2000. PROCEEDINGS OF THE 2000 CONGRESS ON, volumen 2, 2000. 3.1.4, 3.1.4, 3.1.4
Referncias Bibliogrficas
140
[Han, 2002] HAN, K.; KIM, J.. Quantum-inspired evolutionary algorithm for a
termination of mobilities of charge carriers in electrochemically aniondoped polythiophene film. Chemical Physics Letters, 317(3-5):310314,
2000. 5.1.1
[Hartke, 2001] HARTKE, B.; FLAD, H. ; DOLG, M.. Structures of mercury
Physical Chemistry
Inhomogeneous Electron
Referncias Bibliogrficas
141
[Hussain, 2007] HUSSAIN, F.; ROY, S.; NARASIMHAN, K.; VENGADASSALAM, K. ; LU, H.. E-Glass Polypropylene Pultruded Nanocomposite: Ma-
nufacture, Characterization, Thermal and Mechanical Properties. Journal of Thermoplastic Composite Materials, 20(4):411, 2007. B
[Jo, 2008] JO, B.; PARK, S. ; KIM, D.. Mechanical properties of nano-MMT
Accurate universal Gaussian basis set for hydrogen through lanthanum generated
with the generator coordinate Hartree-Fock method. Chemical Physics,
216(3):317321, 1997. 6.3
[Jorge, 1999b] JORGE, F.; MUNIZ, E.. Accurate adapted Gaussian basis sets
Referncias Bibliogrficas
142
A.;
FANOURGAKIS,
G.;
Referncias Bibliogrficas
143
Referncias Bibliogrficas
144
[Partridge, 1989] PARTRIDGE, H.. Near HartreeFock quality GTO basis sets
quantum dots. Journal of Vacuum Science & Technology B: Microelectronics and Nanometer Structures, 4:358, 1986. 4.2
[Reed, 1998] REED, R.; MARKS, R.. Neural smithing: supervised learning in
son of dark current, responsivity and detectivity in different intersubband infrared photodetectors. Semiconductor Science and Technology,
19(1):816, 2004. 4.2
[Schmidt, 2007] SCHMIDT, K.. Nanofrontiers: Visions for the Future of Nano-
Referncias Bibliogrficas
145
Selective growth of InGaN quantum dot structures and their microphotoluminescence at room temperature. Applied Physics Letters, 76:3212,
2000. 4.2
[Taniguchi, 1974] TANIGUCHI, N.; OTHERS. On the Basic Concept of Nanote-
Referncias Bibliogrficas
146
[Thio, 2002] THIO, Y.; ARGON, A.; COHEN, R. ; WEINBERG, M.. Toughening
de autmatos celulares com pontos qunticos atravs de tcnicas inteligentes. Masters thesis, Pontifcia Universidade Catlica do Rio de Janeiro, 2006. 5.2.1
[VilelaNeto, 2007] NETO, O.; PACHECO, M. ; BARBOSA, C.. Neural Network
Simulation and Evolutionary Synthesis of QCA Circuits. IEEE TRANSACTIONS ON COMPUTERS, p. 191201, 2007. (document), 2.6, 5.2,
5.2.2, 5.2.2, 5.9, 5.2.3, 5.10, 5.2.3
[Vostrikov, 2006] VOSTRIKOV, A.; DROZDOV, S.; RUDNEV, V. ; KURKINA,
L.. Molecular dynamics study of neutral and charged water clusters.
Computational Materials Science, 35(3):254260, 2006. 7.5
[Walus, 2002] WALUS, K.; VETTETH, A.; JULLIEN, G. ; DIMITROV, V.. Design
signer: A rapid design and simulation tool for quantum-dot cellular automata. IEEE Transactions on Nanotechnology, 3(1):2631, 2004. 5.2.2
[Wang, 2004a] WANG, J.; PYRZ, R.. Prediction of the overall moduli of laye-
red silicate-reinforced nanocompositespart I: basic theory and formulas. Composites Science and Technology, 64(7-8):925934, 2004. 4.3
[Wang, 2004b] WANG, J.; PYRZ, R.. Prediction of the overall moduli of laye-
Referncias Bibliogrficas
147
tice. Van Nostrand Reinhold Co. New York, NY, USA, 1989. 3.2.1, 3.2.1
[Webster, 2004] WEBSTER, T.; WAID, M.; MCKENZIE, J.; PRICE, R. ; EJIOFOR, J.. Nano-biotechnology: carbon nanofibres as improved neural
Processing and properties of poly (methyl methacrylate)/carbon nano fiber composites. Composites Part B, 35(2):173178,
2004. B
KUMAR, S..
Crystallization and
impact energy of polypropylene/CaCO3 nanocomposites with nonionic
modifier. Polymer, 45(17):59855994, 2004. 4.3.1, 4.3.1, B
Referncias Bibliogrficas
148
A
Tabela com os Experimentos dos Pontos Qunticos
Esp. Base
nm
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
50
500
500
Entradas
Temp. Cresc.
o
C
500
500
500
500
500
500
490
500
500
500
500
540
520
540
515
520
520
520
520
520
520
500
500
T Cresc.
s
3
3
3
3
2.4
3.6
3
4.2
4.8
4.6
3.9
4.2
4.2
4.2
4.2
4.2
4.2
4.2
4.2
3.8
3.2
5
5
% In
% Al
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
100
52.9
49.1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Densidade
108 PQ/cm2
13
1.5
2.4
1.8
0.76
4.76
1.88
8.5
3.16
3.32
5
64.75
78.25
23.56
50
66.5
0.48
52.25
92.75
74.5
18.5
105
39
Sadas
Altura Desvio Padro
nm
nm
15.5
1.7
12.4
1.9
17
1.1
13.8
1.5
11.9
1.2
13.7
1.5
11.7
1.1
15.1
0.8
12.6
1.1
16.2
1.1
15.4
0.8
26.5
3.8
18.7
2.8
29.2
5.9
18.5
1.5
17
2
25
1
13.8
2.8
16.1
2.9
22.5
3.7
26.6
2.1
7.42
1.71
10
1.5
150
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
fluxo de In
sccm
60
60
60
60
72
60
60
60
60
60
60
60
60
60
60
66
30
76
60
60
60
60
60
sample
Esp. Base
nm
500
500
500
500
500
500
500
500
500
500
10
10
10
10
10
10
10
500
10
10
500
10
10
500
T Cresc.
s
5
5
5
5
5.5
5.9
5.5
5.5
5.9
3.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5.5
5
% In
% Al
55.4
54.8
51.3
53.3
53
53.2
53
53
52.7
53.6
53.3
53.3
53.3
53.3
53.3
53.3
53.3
51.8
51.8
54.5
54.5
54.5
53.3
52.3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
23.3
23
5.8
16.5
Densidade
108 PQ/cm2
70.5
62
49
57.5
80
78.5
79
80
90
69
118
148
129
130
156
173
182
147
128
132
130
162
106.25
210
151
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
fluxo de In
sccm
60
60
60
60
60
60
60
60
60
60
60
66
60
66
72
78
90
66
66
66
66
66
66
60
Sadas
Altura Desvio Padro
nm
nm
8.5
1.2
9.3
1.4
9.2
1.1
9.9
1.5
7.8
1.8
7.5
1.7
8
1.5
8.3
1.6
6
1
5.1
1
9.1
1.5
8.2
1.5
8.1
2
8.7
2.2
8.4
1.7
8.6
1.9
9
2.2
9.3
1.5
9.9
1
7.6
1.6
7.5
1.5
7.1
1.5
8.7
1.9
4.45
1.68
sample
Entradas
Temp. Cresc.
o
C
500
500
500
500
500
500
510
510
520
520
520
520
500
500
520
520
520
520
520
520
520
520
490
500
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
fluxo de In
sccm
60
60
60
60
60
60
66
66
66
66
66
66
66
66
66
66
66
69
66
66
Esp. Base
nm
500
500
500
500
500
500
500
500
500
1.5
500
1.5
1.5
1.5
1.5
500
500
1.5
500
500
T Cresc.
s
5
5
5
5
5
5
5.5
5.5
5.5
5.5
5.5
5.5
6.3
5.9
5.5
5.5
6.3
6.3
6.3
6
% In
% Al
50.2
52
53.4
52.6
53.4
53.4
52.8
50.3
52.5
52.5
52.5
52.5
52.5
52.5
52.5
53.7
52.6
52.3
52.3
52.3
29
16.5
16.5
11.2
14.5
19.3
19.3
19.3
19.3
19.3
19.3
19.3
19.3
16.5
16.1
16.1
16.1
18
0
29
Densidade
108 PQ/cm2
91
87
138
67.5
75
89.5
109.0
100.0
120.0
83.0
54.3
235.3
192.0
108.25
138.8
126.5
111.75
114.8
113.0
Sadas
Altura Desvio Padro
nm
nm
6.85
2.02
5.95
3.18
5.5
1.97
6.16
2.11
7.7
1.7
8.6
1.8
7.49
1.64
7.76
1.69
7.66
1.59
9.15
2.1
8.57
1.81
4.09
1.39
7.83
2.25
7.86
2.47
3.57
0.94
8.93
1.99
6.57
1.49
11.7
1.18
8.53
1.61
9.06
4.03
sample
Entradas
Temp. Cresc.
o
C
500
500
500
500
500
500
520
520
520
520
520
500
500
500
520
520
520
500
520
520
152
B
Tabela com os Experimentos dos Nanocompsitos
Matrizes
DGEBPA Diglicil ter de bisfenol A
iPP Polipropileno isottico
PA6 Poliamida 6 (nylon)
PLLA Poli(L- cido Ltico) (Poly-L-Lactide Acid)
PMMA Polimetilmetacrilato
PP Polipropileno
PU Poliuretano
UP Poliester no saturado (Unsaturated Polyester)
Cargas
CB Carbono ativado (carbon black)
CNF Nanofibra de carbono (carbon nanofiber)
DWCNT Nanotubo de carbono de parede dupla (double wall carbon nanotube)
MMT Montmorilonita
MWCNT Nanotubo de carbono de paredes mltiplas (multiwall carbon nanotube)
SWCNT Nanotubo de carbono de parede nica (singlewall carbon nanotube)
Matriz
PU
PU
PU
PU
PP
PP
PP
PP
PP
PP
PP
PP
iPP
iPP
iPP
iPP
iPP
iPP
iPP
iPP
iPP
PP
PP
PP
PP
PP
PP
PP
PP
Carga
CNF
CNF
CNF
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
CaCO3
Concent.
(wt%)
0.02
0.1
0.25
0.05
0.1
0.15
0.15
0.15
0.15
0.2
0.135068
0.247934
0.425868
0.559779
0.247934
0.372974
0.474052
0.559779
0.137352
0.137352
0.137352
0.242403
0.242403
0.242403
0.324431
Tam.
(nm)
60
60
60
44
44
44
44
44
44
44
160
160
160
220
370
370
370
560
44
44
44
44
44
44
44
Razo de
Aspecto
500
500
500
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
E
(GPA)
0.004
0.006
0.022
0.028
0.71
0.71
0.74
0.81
0.78
0.76
0.74
0.84
1.437
1.691
1.871
1.973
2.697
1.682
1.785
2.44
2.867
1.6
2.7
3
2.5
3
2.6
2.9
2.6
Referncia
(Webster, 2004)
(Webster, 2004)
(Webster, 2004)
(Webster, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Zhang, 2004)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Thio, 2002)
(Chan, 2002)
(Chan, 2002)
(Chan, 2002)
(Chan, 2002)
(Chan, 2002)
(Chan, 2002)
(Chan, 2002)
(Chan, 2002)
154
Matriz
PMMA
PMMA
PMMA
PMMA
PMMA
EglassPP
EglassPP
EglassPP
EglassPP
EglassPP
EglassPP
EglassPP
PMMA
PMMA
PMMA
PMMA
PMMA
PMMA
PMMA
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
Carga
CNF (PR21PS)
CNF (PR21PS)
CNF (PR24PS)
CNF (PR24PS)
MMT (1.28E)
MMT (1.28E)
MMT (1.28E)
MMT (1.28E)
MMT (1.28E)
MMT (1.28E)
MMT (20A)
MMT (20A)
MMT (20A)
MMT (20A)
MMT (20A)
MMT (20A)
CB
CB
CB
SWCNT
SWCNT
SWCNT
DWCNT
DWCNT
DWCNT
DWCNTNH2
DWCNTNH2
DWCNTNH2
MWCNT
MWCNT
MWCNT
MWCNTNH2
MWCNTNH2
MWCNTNH2
Concent.
(wt%)
0.05
0.1
0.05
0.1
0.01
0.02
0.03
0.04
0.05
0.1
0.005
0.01
0.02
0.005
0.01
0.02
0.001
0.003
0.005
0.0005
0.001
0.003
0.001
0.003
0.005
0.001
0.003
0.005
0.001
0.003
0.005
0.001
0.003
0.005
Tam.
(nm)
200
200
100
100
1
1
1
1
1
1
2.42
2.42
2.42
2.42
2.42
2.42
30
30
30
2
2
2
2.8
2.8
2.8
2.8
2.8
2.8
15
15
15
15
15
15
Razo de
Aspecto
100
100
100
100
200
200
200
200
200
200
200
200
200
200
200
200
1
1
1
500
500
500
500
500
500
500
500
500
3333.3
3333.3
3333.3
3333.3
3333.3
3333.3
E
(GPa)
4.7
8
7.7
7.5
7.6
4.12
6.68
6.97
7.1
7.92
8.23
8.67
1.35
1.72
1.48
1.39
1.28
1.26
1.24
2.599
2.752
2.796
2.83
2.681
2.691
2.812
2.785
2.885
2.79
2.61
2.944
2.978
2.78
2.765
2.609
2.884
2.819
2.82
155
Referncia
(Zeng, 2004)
(Zeng, 2004)
(Zeng, 2004)
(Zeng, 2004)
(Zeng, 2004)
(Hussain, 2007)
(Hussain, 2007)
(Hussain, 2007)
(Hussain, 2007)
(Hussain, 2007)
(Hussain, 2007)
(Hussain, 2007)
(Fu, 2006)
(Fu, 2006)
(Fu, 2006)
(Fu, 2006)
(Fu, 2006)
(Fu, 2006)
(Fu, 2006)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
(Gojny, 2005)
Matriz
Epoxy
Epoxy
Epoxy
Epoxy
Epoxy
UP
UP
UP
UP
UP
UP
UP
UP
UP
UP
UP
UP
UP
PA6
PA6
PA6
PP
PP
PP
PP
PP
PP
PP
Carga
CB
DWNT
DWNTNH2
DWNTNH2
MMT Na+
MMT Na+
MMT Na+
MMT Na+
MMT (25A)
MMT (25A)
MMT (25A)
MMT (25A)
MMT (30B)
MMT (30B)
MMT (30B)
MMT (30B)
SiO2
SiO2
SiO2
SiO2
SiO2
SiO2
SiO2
SiO2
Concent.
(wt%)
0.1
0.1
0.1
1
0.02
0.05
0.08
0.1
0.02
0.05
0.08
0.1
0.02
0.05
0.08
0.1
0.05
0.1
0.01
0.025
0.05
0.075
0.1
0.15
Tam.
(nm)
30
2.8
2.8
2.8
1.17
1.17
1.17
1.17
1.85
1.85
1.85
1.85
1.86
1.86
1.86
1.86
12
12
12
12
12
12
12
12
Razo de
Aspecto
1
2500
2500
2500
100
100
100
100
100
100
100
100
100
100
100
100
1
1
1
1
1
1
1
1
E
(GPA)
3.282
3.297
3.352
3.496
3.508
2.994631
3.087248
3.515436
3.230201
2.851678
3.189262
3.655034
3.332886
3.097315
2.844295
4.033557
3.515436
3.148322
20.17752
22.37711
24.19246
1.390909
1.421818
1.492727
1.565455
1.614545
1.690909
1.8
156
Referncia
(Gojny, 2004)
(Gojny, 2004)
(Gojny, 2004)
(Gojny, 2004)
(Gojny, 2004)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Jo, 2008)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
(Tjong, 2006)
Matriz
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (moulded)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
PLLA (annealed)
Carga
g-HAP
g-HAP
g-HAP
g-HAP
g-HAP
g-HAP
g-HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
HAP
g-HAP
g-HAP
g-HAP
g-HAP
g-HAP
g-HAP
g-HAP
Concent.
(wt%)
0.02
0.04
0.06
0.08
0.1
0.15
0.2
0.02
0.04
0.06
0.08
0.1
0.15
0.2
0.02
0.04
0.06
0.08
0.1
0.15
0.2
0.02
0.04
0.06
0.08
0.1
0.15
0.2
Tam.
(nm)
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
Razo de
Aspecto
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
E
(GPA)
1.855
2.34
2.553
2.553
2.644
2.68
2.98
3.161
2.34
2.42
2.526
2.631
2.651
2.954
3.051
3.064
3.257
3.201
3.311
3.533
3.617
3.641
3.851
3.233
3.286
3.365
3.557
3.514
3.832
3.988
157
Referncia
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
(Hong, 2005)
C
Resultados para os agregados de Li e F
-437.5363501
-437.5305583
-437.5252658
-437.5241856
-437.5221094
-437.521931
-437.5197022
-437.5194124
-437.5162035
-437.5151571
-437.5138115
-437.5132765
-437.5065181
-437.5024028
-437.5022807
-437.4875088
159
Agregados de (LiF)4
-430.1630023
-430.1497364
-430.1251002
-430.1237355
-430.1442856
160
Agregados de (LiF)4 F
-530,148160
-530,128213
-530,116100
-530,114973
-530,113500
-530,112855
-530,111754
-530,109168
-530,107444
-530,106252
-530,096268
-530,093002
-530,086193
-530,082332
161
Agregados de (LiF)5 F
-637,703005
-637,702522
-637689894
-637,686801
-637,686789
-637,686729
-637,681344
-637,673634
-637,670310
-637,668581
-637,666413
-637,665640
-637,655340
-637,653673
D
Sntese de OLEDs multicamadas