[pt] Esta tese investiga a Nanotecnologia Computacional Inteligente, isto é, o apoio
de técnicas de Inteligência Computacional (IC) nos desafios enfrentados pela
Nanociência e Nanotecnologia. Por exemplo, utilizam-se as Redes Neurais para
construir sistemas de inferência capazes de relacionar um conjunto de parâmetros
de entrada com as características finais das nanoestruturas, permitindo aos
pesquisadores prever o comportamento de outras nanoestruturas ainda não realizadas
experimentalmente. A partir dos sistemas de inferência, Algoritmos Genéticos
são então empregados com o intuito de encontrar o conjunto ótimo de parâmetros
de entrada para a síntese (projeto) de uma nanoestrutura desejada. Numa outra
linha de investigação, os Algoritmos Genéticos são usados para a otimização de
parâmetros de funções de base para cálculos ab initio. Neste caso, são otimizados
os expoentes das funções gaussianas que compõem as funções de base. Em
outra abordagem, os Algoritmos Genéticos são aplicados na otimização de agregados
atômicos e moleculares, permitindo aos pesquisadores estudar teoricamente os
agregados formados experimentalmente. Por fim, o uso destes algoritmos, aliado ao
uso de simuladores, é aplicado na síntese automática de OLEDs e circuitos de Autômatos
Celulares com Pontos Quânticos (QCA). Esta pesquisa revelou o potencial
da IC em aplicações inovadoras. Os sistemas híbridos de otimização e inferência,
por exemplo, concebidos para prever a altura, a densidade e o desvio padrão de
pontos quânticos auto-organizáveis, apresentam altos níveis de correlação com os
resultados experimentais e baixos erros percentuais (inferior a 10%). O módulo de
elasticidade de nanocompósitos também é previsto por um sistema semelhante e
apresenta erros percentuais ainda menores, entorno de 4%. Os Algoritmos Genéticos,
juntamente com o software de modelagem molecular Gaussian03, otimizam os
parâmetros de funções que geram expoentes de primitivas gaussianas de funções
de base para cálculos hartree-fock, obtendo energias menores do que aquelas apresentadas
nas referencias. Em outra aplicação, os Algoritmos Genéticos também
se mostram eficientes na busca pelas geometrias de baixa energia dos agregados
atômicos de (LiF)nLi+, (LiF)n e (LiF)nF-, obtendo uma série de novos isômeros
ainda não propostos na literatura. Uma metodologia semelhante é aplicada em um
sistema inédito para entender a formação de agregados moleculares de H2O iônicos,
partindo-se de agregados neutros. Os resultados mostram como os agregados
podem ser obtidos a partir de diferentes perspectivas, formando estruturas ainda não investigadas na área científica. Este trabalho também apresenta a síntese automática
de circuitos de QCA robustos. Os circuitos obtidos apresentam grau de polarização
semelhante àqueles propostos pelos especialistas, mas com uma importante redução
na quantidade de células. Por fim, um sistema envolvendo Algoritmos Genéticos e
um modelo analítico de OLEDs multicamadas otimizam as concentrações de materiais
orgânicos em cada camada com o intuito de obter dispositivos mais eficientes.
Os resultados revelam um dispositivo 9,7% melhor que a solução encontrada na
literatura, sendo estes resultados comprovados experimentalmente. Em resumo, os
resultados da pesquisa permitem constatar que a inédita integração das técnicas de
Inteligência Computacional com Nanotecnologia Computacional, aqui denominada
Nanotecnologia Computacional Inteligente, desponta como uma promissora alternativa
para acelerar as pesquisas em Nanociência e o desenvolvimento de aplicações
nanotecnológicas. / [en] This thesis investigates the Intelligent Computational Nanotechnology, that is, the
support of Computational Intelligence (CI) techniques in the challenges faced by
the Nanoscience and Nanotechnology. For example, Neural Networks are used for
build Inference systems able to relate a set of input parameters with the final characteristics
of the nanostructures, allowing the researchers foresees the behavior of
other nanostructures not yet realized experimentally. From the inference systems,
Genetic Algorithms are then employees with the intention of find the best set of
input parameters for the synthesis (project) of a desired nanostructure. In another
line of inquiry, the Genetic Algorithms are used for the base functions optimization
used in ab initio calculations. In that case, the exponents of the Gaussian functions
that compose the base functions are optimized. In another approach, the Genetic Algorithms
are applied in the optimization of molecular and atomic clusters, allowing
the researchers to theoretically study the experimentally formed clusters. Finally,
the use of these algorithms, use together with simulators, is applied in the automatic
synthesis of OLEDs and circuits of Quantum Dots Cellular Automata (QCA). This
research revealed the potential of the CI in innovative applications. The hybrid systems
of optimization and inference, for example, conceived to foresee the height, the
density and the height deviation of self-assembled quantum dots, present high levels
of correlation with the experimental results and low percentage errors (lower to
10%). The Young’s module of nanocomposites is also predicted by a similar system
and presents percentage errors even smaller, around 4%. The Genetic Algorithms,
jointly with the package of molecular modeling Gaussian03, optimize the parameters
of functions that generate exponents of primitive Gaussian functions of base
sets for hartree-fock calculations, obtaining smaller energies than those presented
in the literature. In another application, the Genetic Algorithms are also efficient in
the search by the low energy geometries of the atomic clusters of (LiF) nLi +, (LiF)
n and (LiF) nF-, obtaining a set of new isomers yet not propose in the literature. A
similar methodology is applied in an unpublished system for understand the formation
of molecular cluster of ionic H2O from neutral clusters. The results show how
the clusters can be obtained from different perspectives, forming structures not yet
investigate in the scientific area. This work also presents the automatic synthesis of
robust QCA circuits. The circuits obtained present high polarization, similar to those
proposed by the specialists, but with an important reduction in the quantity of cells. Finally, a system involving Genetic Algorithms and an analytic model of multilayer
OLEDs optimize the concentrations of organic material in each layer in order to obtain
more efficient devices. The results reveal a device 9.7% better that the solution
found in the literature, being these results verified experimentally. In summary, the
results of the proposed research allow observe that the unpublished integration of
the techniques of Computational Intelligence with Computational Nanotechnology,
here named Intelligent Computational Nanotechnology, emerges as a promising
alternative for accelerate the researches in Nanoscince and the development of application
in Nanotechnology.
| Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:15182 |
| Date | 12 February 2010 |
| Creators | OMAR PARANAIBA VILELA NETO |
| Contributors | MARCO AURÉLIO CAVALCANTI PACHECO |
| Publisher | MAXWELL |
| Source Sets | PUC Rio |
| Language | Portuguese |
| Detected Language | English |
| Type | TEXTO |
Page generated in 0.0031 seconds