2D semiconductors: nonlinear optics and optoelectronics

Abstract

Atomar dünne Kristalle sind eine neue Klasse von Materialien die einzigartige und neuartige Eigenschaften besitzen. Seit einigen Jahren stehen zweidimensionale (2D) Kristalle im Fokus von unterschiedlichsten wissenschaftlichen Disziplinen. In dreidimensionalen Materialien werden die physikalischen Eigenschaften von der chemischen Zusammensetzung bestimmt. Befindet sich die Abmessung eines Materials, zumindest in einer Dimension, auf der Nanometerskala, spielt die Größe des Materials eine entscheidende Rolle. Die zweidimensionale Beschränkung der elektronischen Struktur in ge\-schich\-teten, atomar dünnen Halbleitern hat eine Vielzahl an spezifischen physikalischen Effekten zur Folge. In dieser Dissertation wird ein außergewöhnlich großer Einfluss von mechanischer Deformation auf die nichtlinearen optischen Eigenschaften von 2D-Kristallen umfangreich beschrieben. Dieser Effekt wird in einer neuartigen Deformations-Messmethode ausgenützt. Zusätzlich wird elektrostatisch induzierte Dotierung in 2D-Halbleitern verwendet, um einen ultraschnellen Bildsensor zu realisieren, welcher wie ein künstliches neuronales Netz operiert. Die nichtlinearen optischen Eigenschaften eines Materials hängen stark von der zugrundeliegenden Kristallsymmetrie ab. Da eine mechanische Deformation die kristallographischen Proportionen grundlegend verändert, ist eine Veränderung der nichtlinearen optischen Eigenschaften zu erwarten -- ein Effekt welcher schon seit Jahrzehnten erforscht wird. Allerdings ist der Einfluss der Deformation auf die nichtlineare optische Antwort in dreidimensionalen Materialien um ein Vielfaches kleiner als die Deformationssensitivität von 2D-Materialien. Die Frequenzverdopplung (SHG) von halbleitenden Übergangsmetall-Dichalkogeniden (TMDs) wird im Zuge dieser Arbeit beschrieben und eine bemerkenswerte Deformationssensitivität wird bei allen untersuchten TMDs festgestellt. Dieser starke Zusammenhang kann einem Effekt namens \textit{band nesting} zugeschrieben werden, welcher tiefgreifenden Einfluss auf die physikalischen Eigenschaften von Materialien mit reduzierter Dimensionalität zur Folge hat. Es wird gezeigt, dass die SHG-Modulation durch Deformation mit einem photoelastischen Tensor akkurat beschrieben werden kann. In dieser Arbeit wird der photoelastische Tensor für alle untersuchten Materialien experimentell bestimmt. Des Weiteren wird gezeigt, dass SHG genutzt werden kann, um die komplette lokale Deformationsmatrix zu bestimmen und das mit bemerkenswerter Genauigkeit und höherer räumlicher Auflösung als vergleichbare optische Messmethoden. Die Ladungsträgerdichte in 2D-Materialien kann dynamisch mittels elektrostatischen Feldern verändert werden. Dieser bereits bekannte Effekt wird in einem neuartigen Bildsensor verwendet, der ein künstliches neuronales Netz darstellt und Bildaufnahme sowie -verarbeitung in einem Schritt durchführt. Beaufsichtigtes und unbeaufsichtigtes Lernen wird demonstriert, indem Bilder, die auf den Chip projiziert werden, klassifiziert und codiert werden. Eine Bilderverarbeitungsrate von 20 Millionen Bilder pro Sekunde wird demonstriert, welche lediglich durch den experimentellen Aufbau begrenzt ist. Durch die Verschiebung der Bildverarbeitung in den Sensor zeigt dieses Design eine Alternative zur gängigen Form der maschinellen Bildverarbeitung, welche die versendeten Daten um ein Vielfaches reduziert und um Größenordnungen schneller operiert als etablierte Lösungen.

Atomically thin crystals are a unique and upcoming class of materials with unprecedented properties, which have received significant attention of the scientific community in the recent years. In bulky, three dimensional materials the chemical composition alone determines its characteristics. But if the size of a material approaches the nanoscale in at least one dimension, its physical behavior is strongly affected by its proportions. The two-dimensional (2D) confinement of the electronic structure in layered, atomically thin semiconductors implicate distinctive physical properties. In this thesis an exceptionally strong connection between strain and nonlinear optics of 2D crystals is comprehensively studied and this effect is utilized in a novel strain imaging technique. Additionally, we exploit electrostatically induced doping in 2D semiconductors to build an ultrafast image sensor which operates as an artificial neural network. The nonlinear optical properties of a material strongly depend on the underlying crystal symmetry. Since mechanical strain has a profound impact on the crystallographic proportions, an impact on the nonlinear optical properties is expected and has been studied for decades. However, the impact of strain on the nonlinear optical response in three-dimensional materials fades in comparison to the strain sensitivity we observe in 2D materials. In particular, we study the second-harmonic generation (SHG) of semiconducting transition metal dichalcogenides (TMDs) and we observe a remarkable strain sensitivity for all investigated materials. We show that the strain modulation of SHG can be accurately described by a photoelastic tensor which we experimentally determine for all investigated TMDs. We also demonstrate that SHG can be used to measure the full local strain matrix with exceptional accuracy and higher spatial resolution than other optical techniques. Finally, we attribute the strong strain-SHG correlation to an effect called band nesting, which has a profound impact on the optical properties in materials with reduced dimensionality. In contrast to bulky crystals, in atomically thin crystals the carrier density can be dynamically tuned via electrostatic gating. We utilize this well-known effect in a novel type of image sensor which represents an artificial neural network and performs image acquisition and computation of the visual data in one single step. We demonstrate both, supervised and unsupervised learning, by training the sensor to classify and encode images that are projected onto the chip. The demonstrated throughput of the image sensor is 20 million images per second, only limited by the experimental setup. By shifting some of the computational tasks into the sensor, our device illustrates an alternative machine vision design route which vastly reduces the amount of transmitted data and is orders of magnitude faster than state-of-the-art solutions.