Magnetyczne klastery w połączeniu z diamagnetycznymi

Magnetyczne klastery w połączeniu z diamagnetycznymi półprzewodzącymi
nanostrukturami.
Opiekun naukowy: Prof. dr hab. Grażyna Chełkowska
Wiedza jak i rozwój technologii o nanostrukturach obejmuje zagadnienia z wielu
dziedzin. Nanomateriały są interesującymi obiektami zarówno od strony podstawowych
badań ich właściwości fizycznych po przez zastosowanie tychże materiałów w nowych
urządzeniach.
Cienką warstwą nazywamy taki układ, którego grubość obszarów
przypowierzchniowych o zaburzonych właściwościach fizycznych jest odpowiednio duża
w stosunku do grubości całkowitej. W tego typu strukturach obserwuje się efekty
rozmiarowe, czyli zmianę właściwości fizycznych bądź chemicznych w porównaniu do litego
materiału. Takie zjawiska w przypadku warstw magnetycznych obserwowane są dla grubości
porównywalnej z długością fali elektronów na poziomie Fermiego, czyli dla grubości rzędu
pojedynczych nanometrów. W skali nano istotnym czynnikiem wpływającym na własności
fizyczne bądź chemiczne staje się powierzchnia, którą stanowić może ciągła lub nieciągła
warstwa atomowa. Wzrost cienkich warstw magnetycznych w większości przypadków jest
wynikiem osadzenia się materiału w fazie gazowej na powierzchni podłoża. Główną różnicą
pomiędzy technikami preparatyki jest sposób wytworzenia fazy gazowej. Najczęściej
stosowanymi metodami są naparowanie termiczne, rozpylanie jonowe (sputtering) oraz
laserowe rozpylanie jonowe (ablacja laserowa). Preparatyka z użyciem wymienionych technik
przebiega jednak w warunkach wysokiej próżni (10 -9 Pa), gdyż jest to istotne dla
zminimalizowania adsorpcji zanieczyszczeń na podłożu i w warstwach oraz dla uniknięcia
zaburzenia strumienia osadzanej wiązki w trakcie zderzenia z atomami gazów resztkowych.
Poza właściwościami strukturalnymi badanych układów istotną rolę odgrywają
również właściwości magnetyczne. W cienkich warstwach obserwuje się modyfikacje tych
własności związanych przede wszystkim z efektami przypowierzchniowymi. Podstawową
konsekwencją redukcji wymiaru jest zmniejszenie liczby najbliższych atomowych sąsiadów,
co wpływa na wzrost momentu magnetycznego, co więcej modyfikuje strukturę elektronową
w tych warstwach. Dla porównania w przypadku litego Fe, moment magnetyczny wynosi
około 2.25 μB i zwiększa się do wartości 4.00 μB dla swobodnego atomu [1]. Dla
monowarstwy moment magnetyczny atomu Fe jest równy 3.10 μB [2]. Innym rezultatem
zmniejszenia się liczby sąsiadów dla atomów powierzchni jest obniżenie temperatury Curie w
porównaniu z wartością dla litych materiałów. Efekt ten można wytłumaczyć za pomocą
modelu Heisenberga, w którym temperatura Curie zależy zwykle liniowo od siły
oddziaływania wymiany i liczby sąsiadujących atomów [3].
Nanocząstki magnetyczne mają wiele zastosowań, wśród których można wymienić
ciecze ferromagnetyczne, systemy obrazowania czy urządzenia o zwiększonej gęstości zapisu
danych. Duży stosunek powierzchni do objętości sprawia, że znaczna część atomów, które
znajdują się na powierzchni nanocząstki, sprzęga się magnetycznie w różny sposób ze swoimi
sąsiadami. To z kolei prowadzi do właściwości magnetycznych innych niż te spotykane
w ciele stałym o standardowych wymiarach. W odróżnieniu od makroskopowych
ferromagnetyków, które składają się z wielu domen magnetycznych, nanocząstki
magnetyczne często zbudowane są tylko z jednej domeny. Nanocząstki tego typu mogą
wykazywać superparamagnetyzm, który wiąże się z losowym orientowaniem momentów
magnetycznych atomów z powodu nieporządku termicznego, które ulegają uporządkowaniu
tylko pod wpływem przyłożonego zewnętrznego pola magnetycznego.
Techniki pomiarowe użyteczne w badaniach opisywanych struktur to miedzy innymi
magnetometr SQUID, waga magnetyczna Faradaya, EPR, XPS oraz RHEED.
W szczególności czułym urządzeniem do badań magnetycznych jest magnetometr SQUID,
który charakteryzuje wysoka dokładność pomiarów, możliwość badań w wysokich polach
magnetycznych i w szerokim zakresie temperatur.
Studiując literaturę przedmiotu można zauważyć, że w badaniach klasterów
magnetycznych istotną rolę odgrywają symulacje komputerowe testujące, na konkretnych
obiektach, różne modele oddziaływań magnetycznych. Połączenie wyników
eksperymentalnych, modelów teoretycznych oraz zaawansowanych algorytmów
optymalizacyjnych pozwala na stworzenie wielu narzędzi pomocnych w analizie jakościowej
i ilościowej tego typu układów.
Załóżmy, że w objętości badanego ciała znajdują się obiekty magnetyczne
charakteryzujące się parametrami: moment magnetyczny obiektu μ, energia aktywacji obiektu
E oraz liczba takich obiektów N(μ, E). Dystrybucję N można badać poprzez wykonanie serii
pomiarów odwróconego namagnesowania (ang. magnetisation reversal). Rezultatem badania
jest seria wartości namagnesowania M w funkcji czasu t, dla próbki po wcześniejszym
magnetycznym nasyceniu oraz przyłożeniu pola Hk w przeciwnym kierunku. Z myślą o
zastosowaniu metod numerycznych nie narzucając przy tym ścisłych założeń odnośnie
kształtu dystrybucji N(μ, E), współrzędne μ oraz E można podzielić na kanały o wymiarach
Δμ i ΔE, a następnie ponumerować indeksami i oraz j (=0,1,2,3...). Namagnesowanie całego
badanego ciała (po zmianie pola) jest różnicą obiektów które odwróciły swój moment
magnetyczny oraz tych, które pozostały bez zmian. Zakładając, że przeskok (ang. pinning)
namagnesowania w obiekcie jest aktywowany termicznie, mierzone wartości
namagnesowania można opisać zależnością:
t
M (t,H k )=∑ ∑ N ij 1−2exp −
τ ij
i
j
[
( )]
gdzie
τ ij =τ 0 exp
τ ij =0
(
jΔE−iμ 0 ΔμH k
kBT
)
∀ij jΔE≥iμ0 ΔμH k
∀ij jΔE<iμ0 ΔμH k
Obiekty, spełniające drugi z przypadków powodują natychmiastowy skok namagnesowania,
który na krzywych doświadczalnych można zaobserwować jako M0=M(t=0).
Określanie konkretnej dystrybucji Nij można przeprowadzić za pomocą rożnych
numerycznych metod optymalizacji z funkcją celu uwzględniającą wiele krzywych
eksperymentalnych, w rożnych polach, jednocześnie. Warto pokreślić, że jednoczesna analiza
wielu krzywych, skoku namagnesowania (t=0) oraz ewolucji czasowej (t>0, będącej
superpozycją elementarnych eksponent) daje dodatkowe informacje w procedurze
optymalizacji, zatem możliwe jest numeryczne rozwiązanie problemu nawet gdy układ jest
niedookreślony. Równocześnie jednak dla dużej ilości danych omawiany problem staje się
bardzo złożony i wymaga zastosowania pomysłowych metod optymalizacji. Skutecznych
rozwiązań dostarcza klasa tzw. Algorytmów ewolucyjnych inspirowanych strategiami
stosowanymi przez samą przyrodę. Na wymianę zasługują m.in. Algorytmy genetyczne (ang.
Genetic algorithm) wzorowane na procesie ewolucji i replikacji DNA, metoda Particle
sworm optimisation naśladująca zachowania zwierząt stadnych oraz Symulowane wyżarzanie
(ang. Simulated annealing).
W ramach proponowanego tematu przewiduje się otrzymanie szerokiej klasy
materiałów o rozmiarach nanometrycznych, ich optymalizację oraz dalsze badania przy
użyciu dostępnej aparatury. Analiza otrzymanych wyników eksperymentalnych zostanie
rozwinięta o zastosowanie metod numerycznych.
[1] A. J. Freeman, Re-quian Wu J. Magn. Mag. Mater 100 (1991) 497
[2] R. Wu, A. J. Freeman J. Magn. Magn. Mat. 137 (1994) 127
[3] H. Ibach, H. Lüth Fizyka Ciała Stałego, PWN Warszawa 1996
Fig 1: SQUID