海归学者发起的公益学术平台
分享信息，整合资源

交流学术，偶尔风月
碳化硅（SiC）是一种相关技术均成熟的半导体，具有可控的 p 型和 n 型掺杂以及成熟的纳米制造技术。碳化硅的应用领域非常丰富，不仅可以用作功能陶瓷、高级耐火材料，而且可用作磨料和冶金原料。但目前对其动态解耦和传感过程尚需揭示其量子点的相干特性、衰减时间T1及双空位量子点的的纵向自旋弛豫过程。
瑞典Linköping大学物理、化学和生物学系的Viktor Ivády教授领导的团队，对4H-SiC中双空位量子点的自旋弛豫动力学作了系统研究。作者首先探讨了不同自旋在双空位量子点局部环境中引起的自旋混合的磁场依赖性，证明了相邻的双空位中心和自旋3/2硅空位中心产生了具有多个弛豫峰的多种弛豫模式。不同磁场依赖性的自旋弛豫模式可以通过光学手段识别和研究单个或一组双空位量子点的局部环境。此后，作者模拟了SiC中最相关的自旋缺陷的磁场和自旋弛豫时间为T1的浓度相关性。在高纯度样品中，对自旋弛豫的主要非热贡献来自29Si核自旋槽，在远离GSLAC共振的低温下，在100 ms时，最大限度地增加了整体平均T1时间。对于相邻核自旋构型，在零磁场下，弛豫时间可减少到40 ms。
值得注意的是，29Si自旋槽有限的自旋弛豫时间，与具有退相干保护的双空位量子点子空间的相干时间(64ms)相当，甚至更短。在这种情况下，纵向自旋弛豫可能是限制相干保护子空间寿命的主要因素。此外，作者还证明了顺磁点缺陷引起的双极自旋弛豫在离子注入样品中可能具有重要意义。该研究提供的解析公式既可用于估算已知自旋缺陷浓度的给定样本的T1，也可用于分析实验测得的T1，以估算双空位量子点的局部自旋缺陷浓度。通过使用后一种方法，作者发现，在N2离子注入样品中，顺磁点缺陷的局部浓度可高达4 × 1018cm−3，其相干时间的最大值约为0.5 ms，仅为天然同位素丰度的4H-SiC的1.3毫秒的一半。
该文近期发表于npj Computational Materials 7: 213 (2021)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Dipolar spin relaxation of divacancy qubits in silicon carbide 
Oscar Bulancea-Lindvall, Nguyen T. Son, Igor A. Abrikosov & Viktor Ivády 
Divacancy spins implement qubits with outstanding characteristics and capabilities in an industrial semiconductor host. On the other hand, there are still numerous open questions about the physics of these important defects, for instance, spin relaxation has not been thoroughly studied yet. Here, we carry out a theoretical study on environmental spin-induced spin relaxation processes of divacancy qubits in the 4H polytype of silicon carbide (4H-SiC). We reveal all the relevant magnetic field values where the longitudinal spin relaxation time T1 drops resonantly due to the coupling to either nuclear spins or electron spins. We quantitatively analyze the dependence of the T1 time on the concentration of point defect spins and the applied magnetic field and provide an analytical expression. We demonstrate that dipolar spin relaxation plays a significant role both in as-grown and ion-implanted samples and it often limits the coherence time of divacancy qubits in 4H-SiC.
扩展阅读
npj: 功能材料中原子结构的贝叶斯预测
npj: 层状材料设计—主动学习与贝叶斯优化
npj: 贝叶斯优化—加速筛选钙钛矿和相关溶剂
npj: 合金纳米团簇—助力电催化析氢反应
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方
继续阅读
阅读原文