We calculate the static polarization of AAA-stacked trilayer graphene (TLG) and study its screening properties within the random phase approximation (RPA) in all undoped, doped and biased regimes. We find that the static polarization of undoped AAA-stacked TLG is a combination of the doped and undoped single layer graphene static polarization. This leads to an enhancement of the dielectric background constant along a Thomas-Fermi screening with the Thomas-Fermi wave vector which is independent of carrier concentrations and a 1/r^3 power law decay for the long-distance behavior of the screened coulomb potential. We show that effects of a bias voltage can be taken into account by a renormalization of the interlayer hopping energy to a new bias-voltage-dependent value, indicating screening properties of biased AAA-stacked TLG can be tuned electrically. We also find that screening properties of doped AAA-stacked TLG, when $\mu$ exceeds $\sqrt{2}\gamma$, are similar to that of doped SLG only depending on doping. While for $\mu<\sqrt{2}\gamma$, its screening properties are a combination of SLG and AA-stacked screening properties and they are determined by doping and the interlayer hopping energy.


翻译:我们计算了AAA-stapped三层石墨(TLG)的静态极极极化,并在随机阶段近似(RPA)中研究了它在所有被撤销、倾斜和有偏见的制度中的筛选特性。我们发现,被撤销的AAA-stapped TLG的静态两极化结合了被撤销的单层石墨静极化的组合。这导致在Thomas-Fermi筛查过程中,用Tormas-Fermi波矢量来增加电背景常数,该波量与承运人的浓度和1/r%3电法的衰减是无关的,对于被筛选的 Coulomb 潜力的长距离行为(RPA) (RPA) 。我们显示,通过将跨层购买的能量重新整整为新的基于偏向的偏向电流值,可将偏向的AAAAAA-A-A-stapped TLG的筛选特性加以调整。我们还发现,被下载的AA-stapped TLG值的筛选特性,当美元仅超过$\qrate_QA-rupping的能量特性和O-rpping 和O- doLQ_r) 和OD-na-rupping A& doq-rupping A& doq_A-al的特性是类似。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Single-frame Regularization for Temporally Stable CNNs
Generalization and Regularization in DQN
Arxiv
6+阅读 · 2019年1月30日
VIP会员
相关VIP内容
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
相关资讯
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
Capsule Networks解析
机器学习研究会
11+阅读 · 2017年11月12日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员