No infinito mundo da Engenharia de Materiais, as criações são ilimitadas e cada dia mais essa ciência e engenharia permitem o uso da criatividades dos seus profissionais. Dos materiais 2D, para os materiais 2,5D.
Caso você queira ter noções básicas sobre a complexidade da Engenharia de Materiais antes de ler essa matéria, fique à vontade para ler as diversas matérias já publicadas sobre o tema no Blog da Engenharia.
O surgimento do grafeno marcou o início do reino dos materiais bidimensionais, também conhecidos como materiais 2D, constituídos por uma única camada atômica.
No entanto, ficou claro que o grafeno era apenas uma única instância dentro de uma variedade crescente nessa classe dos materiais, que atualmente abrange outros materiais altamente notáveis.
Ângulo mágico
Posteriormente, chegou o avanço significativo inicial dessa recém-descoberta: a revelação de que apenas girar uma camada desses materiais 2D em relação a outra camada sobreposta do mesmo material é suficiente para engenhar um reino inteiramente novo de propriedades.
Isso implica a capacidade de fabricar eletrônicos empregando apenas dois materiais ou gerar novas ligações moleculares e arquiteturas eletrônicas. Pesquisadores publicaram o artigo “Science of 2.5 dimensional materials: paradigm shift of materials science toward future social innovation“ relatando sobre essa incrível descoberta.
Esse fenômeno, comumente chamado de “ângulo mágico”, em que uma camada é girada em relação à outra, deu origem ao que os especialistas atualmente chamam de “materiais 2,5D”. Esses materiais exibem seu próprio conjunto distinto de propriedades, distintas dos materiais originais. Pesquisadores no Japão relatam que o conceito 0.5D simboliza o grau adicional de liberdade referente a materiais, composição, ângulos e espaço que normalmente é empregado na pesquisa de materiais 2D.
[Imagem: Philip Krantz/Krantz NanoArt]
Técnicas para a criação de materiais 2,5D
Uma técnica empregada para produzir materiais 2.5D é a deposição química de vapor (CVD), em que uma camada é depositada em uma superfície sólida, com um átomo ou molécula de cada vez. Os constituintes mais frequentemente empregados para a construção de materiais 2.5D englobam o próprio grafeno, o nitreto de boro hexagonal (hBN), e dicalcogênios de metais de transição. Esses estão entre os semicondutores 2D mais estudados.
Por exemplo, quando um campo elétrico é aplicado verticalmente através de uma bicamada de grafeno, ele gera um gap, permitindo o controle da condutividade. Esta é uma ocorrência ausente no grafeno monocamada. Além disso, uma mera inclinação de um grau no ângulo de empilhamento transforma o grafeno em um supercondutor.
Quando uma camada de grafeno é colocada sobre outra camada de hBN, manifesta-se o efeito Hall quântico. Esse é um fenômeno de condução elétrica induzido por um campo magnético que gera uma diferença de potencial. Da mesma forma, o empilhamento de duas camadas de TMDCs produz éxcitons, que são elétrons emparelhados acompanhados por seus orifícios correspondentes, um fenômeno examinado em domínios que vão de semicondutores a supercondutores.
[Imagem: Daniel Spacek & Pavel Jirak/Chalmers University]
Aplicações desses materiais
Os materiais 2.5D oferecem uma ampla gama de aplicações potenciais, como células solares, baterias, dispositivos flexíveis, dispositivos quânticos e com consumo de energia extremamente baixo. Embora os especialistas destaquem o potencial da nova geração de dispositivos de armazenamento de dados, a pesquisa indica que há muito mais a se esperar.
Por exemplo, avanços recentes em técnicas de montagem robótica tornaram viável a construção de estruturas verticais intrincadas. Um exemplo disso é a criação de uma heteroestrutura empilhada composta por 29 camadas alternadas de grafeno e hBN.
Pesquisadores enfatizam ainda mais que o conceito de materiais 2.5D apresenta inúmeras oportunidades para exploração. As possibilidades com este novo conceito 2.5D são abundantes, semelhantes às vastas opções de mistura disponíveis para materiais 2D. Consequentemente, a mais recente inovação nesse campo envolve o aproveitamento de técnicas de aprendizado de máquina e aprendizado profundo para identificar as combinações mais promissoras.
Essa abordagem acelera o processo de pesquisa em laboratórios, que antes dependiam fortemente de métodos de tentativa e erro.
