9‐month progress Report 
 
Graphene Devices and Circuits 
Supervisor Dr. P.A Childs 
  Yudong Wu   
 
   

I 
 
 Table of Content 
 
1  Abstract ........................................................................................................................................... 1 
2  Introduction .................................................................................................................................... 1 
3  Literature Review ............................................................................................................................ 4 
3.1  Bandstructure Calculation .................................................................................................... 4 
3.2  Finite difference method ...................................................................................................... 7 
4  Simulation ....................................................................................................................................... 8 
4.1  Finite difference for Poisson equation ................................................................................. 8 
4.1.1  3‐D discretization ....................................................................................................... 8 
4.1.2  Boundary condition of the system ........................................................................... 10 
4.2  Schrodinger equation solver .............................................................................................. 10 
4.3  Integration .......................................................................................................................... 11 
4.3.1  Adoptive Simpson’s method .................................................................................... 12 
5  Results ........................................................................................................................................... 14 
6  Conclusions ................................................................................................................................... 17 
7  Future work ................................................................................................................................... 18 
7.1  Main themes and interesting research questions ............................................................. 18 
7.2  18 month report work plan ................................................................................................ 18 
7.3  Publication plan .................................................................................................................. 19 
7.4  PhD submission outline plan .............................................................................................. 19 
References ............................................................................................................................................ 19 
 
 

II 
 
1 Abstract 
This  is  the  9  month  progress  report  in  partial  fulfillment  of  the  requirements  for  the  degree  of 
philosophy  doctor  of  Yudong  Wu  with  project  title  Graphene  Devices  and  Circuits.  The  report 
presents  the  basic  study  of  the  new  material  graphene  and  a  simulator  for  graphene  field  effect 
transistor.  The  report  is  organized  by  following  the  guideline  of  the  university.  It  starts  from 
introduction,  literature  review.  Then,  it  summarise  the  first  nine  month  work,  mainly  on  the 
Poisson‐Schrodinger solver used in graphene device simulation. Finally, an outline work plan and a 
publication plan are given. 

2 Introduction 
Graphene  is  the  name  given  to  a  flat  monolayer  of  carbon  atoms  tightly  packed  into  a 
two‐dimensional honeycomb lattice, and is a basic building block for graphitic materials of all the 
other dimensionalities. Although it has been theoretically studied for sixty years[1], graphene was 
presumed not to exist in free state until Novoselov et.al in 2005 reported their discovery and the 
anomalous features it exhibit[2, 3]. This experimental breakthrough has generated much excitement 
in physics community. 
 
Graphene attracted great interests due to its unique electronic properties and the potential to build 
the  next  generation  ballistic  transport  nanoelectronic  devices.  Electron  mobility  μ  can  exceed 
15,000 cm2/Vs even under ambient conditions on graphene[2]. Before graphene, carbon nanotubes 
(CNTs) have attracted broad attention because some prototype structures of CNT transistors show 
great  performance  comparing  to  conventional  silicon  transistor.  However,  in  order  to  use  CNT 
MOSFETs in realistic IC applications, the electronic properties such as the band gap (Eg) should be 
well controlled. While the band gap of CNT is strongly affected by its chirality and there is currently 
no straightforward way to control the CNT chirality during growth. A possible way to overcome the 
CNT chirality control problem is to use some semiconductor graphene structure, such as graphene 
nanoribbons[4]  or  bilayer  graphene[5‐7].  Another  advantage  of  graphene  is  that  it  can  be  easily 
patterned  using  standard  nanoelectronic  lithography[8]  or  transfer  printing  method[9].  A  recently 
published article even shows that graphene can be easily produced with sticky tapes[10]. 
 
1 
 
When  tailored  to  less  than  100nm  wide  nanoribbons  graphene  may  open  a  band  gap  due  to  the 
electron confinement[11]. This band gap can be altered by simply changing the edge types or width, 
which makes it possible to use graphene as the channel material of MOSFETs[12].   
 
During the first 9 month work, we modeled a cubical structure of GFET as shown in Figure.1 below. 
This device consists of a semiconducting nanoribbon with a wrap around gate at four faces of the 
cubical geometry. An insulator with relative permittivity      separates the semiconductor region 
of  the  device  from  the  surrounded  gate  contact.  The  ends  of  the  device  are  terminated  by  the 
source  and  drain  contacts.  Device  parameters  include  the  length  (along  x‐direction)  of  the 
nanoribbon,  its  width  (along  z‐direction)  and  the  thickness  of  the  insulator    separating  the 
graphene from the gate contact. 
 
Gate 
Contact
Semiconducting   
Graphene 

ε ox
x

z
Source Contact 
Drain Contact 

 
Figure. 1 Cubical geometry of Graphene FET 
 
The  graphene  used  as  the  channel  material  in  the  model  device  is  an  armchair‐edge  nanoribbon 
with the width of the graphene sheet defined by the boundary conditions to give a semiconducting 
type.  The  bandstructure  is  obtained  through  a  tight‐binding  Hamiltonian  of  the  armchair‐edge 
nanoribbon  that  includes  the  summation  of  the  first  nearest  neighbor  (1NN)  Hamiltonian,  third 
nearest  neighbor  (3NN)  Hamiltonian,  3NN  truncation  Hamiltonian  and  the  1NN  edge  distortion 
Hamiltonian[13]. 
 
In  the  simulation,  the  charge  transport  in  graphene  is  investigated  through  the  self‐consistent 
solution  of  the  charge  and  local  electrostatic  potential.  The  quantum  mechanical  treatment  of 
electron  transport  is  included  by  solving  a  1D  Schrödinger’s  equation  where  the  evanescent 
wavefunction from the metallic graphene to the semiconducting region is considered. Although this 

2 
 
procedure  has  already  been  used  in  the  simulation  of  silicon  quantum  wire[14]  and  carbon 
nanotube  field  effect  transistor  [15]  as  well,  the  difficulty  of  our  simulator  is  to  improve  the 
Poisson‐Schrodinger solver to treat 3‐D structures. 
 
The  potential  profile  in  the  entire  model  is  obtained  from  the  solution  to  a  three‐dimensional 
Poisson equation in a cubical system given by: 

, ,
, , (1)

Where  , ,   and  , ,   are the potential charge density in the device at position  , , .   

 
The  width  of  the  nanoribbon  is  divided  into  unit  cell  which  allow  us  to  treat  the  graphene  as  a 
quasi‐one‐dimensional  conductor  and  the  charge  distribution  on  the  surface  of  the  material  is 
obtained by solving the time‐independent Schrödinger equation given by: 

2
(2)

Where  ,   is  the  wavefunction  of  the  carrier  having  an  Energy  E,  m*  is  the  effective  mass 
obtained from the bandstructure of the nanoribbon and  U is the local effective potential seen by 
carriers： 

, (3)

Where  Xcn  is  the  electron  affinity  of  graphene,  ,   is  the  potential  on  the  graphene 
sheet at position  , . The approach starts with guessing the initial charge density of every grid 
inside  the  device  (usually  zero).  Next,  by  solving  the  Poisson  equation  we  can  know  the  electron 
potential  of  every  grid  inside  the  device.  Using  scattering  matrix  method  we  can  then  get  a  new 
charge  density  distribution  of  the  device  from  the  Schrodinger  equation.  Use  this  new  charge 
density to solve the Poisson equation again and repeat these steps many times until new value of 
the charge density matches the older one, we can get a final solution of the charge density. Hence, 
transmission probability, current and other characteristics of the device can be found. A flow chart 
of this method is shown as below. 
 

3 
 
  
Figure. 2 Flow Chart of the approach used in device simulation 

3 Literature Review 

3.1 Bandstructure Calculation 

The  bandstructure  for  bulk  graphene  and  graphite  can  be  easily  calculated  by  nearest‐neighbor 
tight‐binding  method,  this  theoretical  study  of  graphene’s  bandstructure  can  be  traced  back  to 
1943[1].  However,  in  order  to  predict  the  electronic  properties  of  graphene  nanoribbons,  simple 
tight‐binding  method  is  no  longer  useful  because  it  doesn’t  include  the  edge  termination.  An 
improved energy dispersion relation calculation needs to be performed before building the entire 
device structure. A lot of researchers are focusing on these rising area at the moment. 
 
There are different types of graphene nanoribbons. The two mainly ones, with the edges assumed 
terminated by hydrogen atoms are often referred to as armchair‐edge and zigzag‐edge nanoribbons, 
Because  of  the  arrangements  of  carbon  atoms  along  the  nanoribbon  edges.  In  my  simulation,  I 
choose to use a tight‐binding model of hydrogen‐terminated armchair‐edge graphene nanoribbon 
presented in [13], which includes up to third‐nearest‐neighbor carbon‐carbon interactions and edge 
distortion. 
 
This  method  starts  with  labeling  carbon  atoms  in  an  armchair‐edge  graphene  honeycomb  lattice 
shown  in  Figure.3.  Consider  all  atoms  entirely  between  the  two  dashed  lines  to  be  a  part  of  a 
staggered N armchair‐edge graphene nanoribbon extending horizontally. The nanoribbon is divided 
into  translational  unit  cells  divided  by  the  dash‐dotted  lines.  In  each  unit  cell  there  four  types  of 
carbon atoms, labeled A‐D, which are repeated vertically  /2  times 
 
4 
 
  
Figure. 3 Labeled carbon atoms in a graphene honeycomb lattice. 
 
Write the tight‐binding Hamiltonian of the armchair‐edge nanoribbon as a sum of contributions, 

(4)

Where    represents  the  usual  first‐nearest‐neighbor  (1NN)  Hamiltonian,    is  a 

third‐nearest‐neighbor (3NN) Hamiltonian,    is a 3NN truncation term, and    is a 1NN edge 

distortion term. Assume N is even, by using electron creation and annihilation operators,  ,   and 

,   which act on the  π  state associated with the site labeled  ,   in Figure. the terms in Eq. can 

be expressed as follow: 

∑ , , , , , , , , ,                   

∑ , , , , , , , , ,  

∑                     (5)

, , , ,

∑ , , , ,               

5 
 
where  3.2   and  0.3   are  first  and  third  nearest  hopping  parameters  [16], 
respectively and    is a distortion parameter fitted to  0.2 . 
 
In order to obtain analytical energy dispersion relations, the Hamiltonian is transformed using 
 
2 2
, sin ,
√ 1 1
(6)
1
, ,
√

 
Where  0  for  ,   and  1  for  , ,  1,2, … , /2  is  band  index  and   
is  a  dimensionless  phase  defined  in  terms  of  the  one‐dimensional  wave  vector  k  by  3 , 
where  1.42   is the carbon‐carbon bond length. 
 
In matrix representation, the Hamiltonian is block diagonal, where each block is a 2 2 matrix. By 
diagonalizing every block independently, the tight‐binding energy dispersion of the armchair‐edge 
graphene nanoribbon can be obtained as follows: 

(7)

Where Esp and    is defined as 

2 4
2   1 2 1 (8)
1 1 1 1

1 2 4
  2 1
2 1 1 1 1
3 (9)
2 4
2
1 1 1

Expanding (7) to second order in the wave vector simplifies the dispersion relations further to 

6 
 
 (10)
2

Where the effective mass is here defined as  /  
 
Another choice of overcoming the limitation of nearest‐neighbor tight‐binding approximation is to 
use  density  functional  theory  (DFT).  DFT  has  been  proved  to  be  an  efficient  and  accurate 
first‐principle  method  and  is  used  in  lots  of  quantum  chemistry  calculation  software  packages. 
Among these packages, CYSTAL06 has already been used to calculate the electronic structure and 
magnetic properties of graphene nanoribbons[11], I plan to study this software and perform a detail 
calculation of more complicated graphene based structures. 

3.2 Finite difference method 

Before  considering  the  finite  difference  solution  to  the  3‐D  Poisson  equation,  the  construction  of 
finite  difference  approximations  from  a  given  differential  equation  would  be  considered.  This 
actually involves estimating derivatives numerically[17]. 
 
Given  a  function  f(x)  shown  in  the  figure  below,  one  can  approximate  its  derivative,  slope  of  the 
tangent at P by the slope of arc PB, giving the forward‐difference formula, 
 

 
Figure. 4 Estimates for the derivative of f(x) at P using forward, backward, and central differences. 
 
f ( x 0 + Δx ) − f ( x 0 )
f ' ( x0 ) ≈  
Δx
Or the slope of the arc AP, yielding the backward‐difference formula as; 

7 
 
 f ( x0 ) − f ( x0 − Δx)
f ' ( x0 ) ≈ (11)
Δx

Or the slope of the arc AB, resulting in the central‐difference formula; 
f ( x0 + Δx) − f ( x0 − Δx)
f ' ( x0 ) ≈  
2 Δx
Also, the second derivative of  f (x )   at P can be estimated as; 

f ' ( x0 + Δx / 2) − f ' ( x0 − Δx / 2) 1 ⎡ f ( x0 + Δx) − f ( x0 ) f ( x0 ) − f ( x0 − Δx) ⎤

f ' ' ( x0 ) ≈ = − ⎥ 
Δx Δx ⎢⎣ Δx Δx ⎦

Or 

f ( x0 + Δx) − 2 f ( x0 ) + f ( x0 − Δx)
f ' ' ( x0 ) ≈ (12)
(Δx) 2

Any  approximation  of  a  derivative  in  terms  of  values  at  a  discrete  set  of  points  is  called  finite 
difference approximation. 

4 Simulation   

4.1 Finite difference for Poisson equation 

4.1.1 3‐D discretization 

From  the  Poisson  equation  (1)  Let  V   represent  an  approximation  to  V x, y, z .  In  order  to 
discretize (1) we replace both the x and y derivatives with centered finite differences which gives: 
1 1
, , 2 ,, , , , , 2 ,, , ,
∆ ∆
1 (13)
, ,
, , 2 , , , ,  
∆
Consider special case where  ∆x ∆y ∆z h  we can rewrite (2) as 

1 , ,
, , , , , , , , , , , , 6 , , (14)

8 
 
Divide the 3‐D box to  l m n  girds and number each grid by an index α, where 

1 · 1 · · (15)

From (3) and (4) a series of equations can be generated: 

· 6 ·
(16)

Write these equations in matrix form. We can get: 

(17)

T T
Where                            and  A  is  a  l m n  
sparse matrix with  1 1 1 6  1 1 1   on its diagonal as shown in Figure. 5. 

200

400

600

800

1000

1200

1400

1600
200 400 600 800 1000 1200 1400 1600

 
  Figure. 5 A sparse matrix obtained when solving 3‐D Poisson equation.   
The non‐zero elements are shown in black. 
 
Once the vector    containing charge density of every gird is given, we can calculate the potential 
of every grid by simply inversing the A matrix. 

(18)

9 
 
4.1.2 Boundary condition of the system 

Equation (16) is the general form of for all the grids inside the box. Assume the grid with index j is 
on  the  boundary,  when  the  calculation  comes  to  jth  row  of  A  matrix,  equation  (16)  is  no  longer 
useful because it requires knowing the potential outside the box. To avoid this, we need to modify 
the matrix A and also the jth element of  . 
 

An easy implementation is setting    to be the value of the potential of grid j which is defined 

by the source, drain and gate voltage of the graphene transistor. 
φ
Vs = −
q
(19)
Vg = Vs + Vgs
Vd = Vs + Vds

Where    is  the  work  function.  As  a  result,  the  jth  row  of  modified  A  matrix  will  become 

0 1 0   and    is now a constant    times corresponded voltage. 

4.2 Schrodinger equation solver 

The  charge  distribution  on  the  graphene  surface  is  obtained  by  solving  the  Schrödinger  equation 
using  the  scattering  matrix  method  thereby  providing  a  numerical  solution  at  a  given  energy  E. 
Although  the  graphene  sheet  is  two‐dimensional,  in  order  to  use  the  one‐dimensional  energy 
dispersion relation and effective mass (same for electrons and holes due to symmetry), we treat it 
in one‐dimensional nature. The charge density in the model device is given by:   

∆ (20)
∆

Where  q  is  the  electron  charge,  ∆  is  the  length  of  a  single  grid,  n(x)  and  p(x)  are  the  number  of 
electrons  and  holes  in  the  graphene  as  a  function  of  position.  The  designed  grid  system  for  the 
model is divided into a series of [2×2] matrices. Although the graphene sheet is 2‐D, in order to use 
the 1‐D energy dispersion relation and effective mass from (7), we need to treat it in 1‐D and solve it 
using scattering‐matrix method. 
 

10 
 
The goal of the Schrodinger solver is to find a numerical solution of (2) at any given energy E.   
We first divide the 1‐D system to N grids, for each grid,    can be written as: 

(21)

Apply matching condition of the wavefunction and its derivative on the boundary between intervals 
n and n+1 
(22)

(23)

 
T
We can get the relation of      and     

(24)

  and    are the wavefunction at source and drain respectively 
When calculating source injection,  0  for all energies. According to In addition, we expect 
that the Landauer equation [18] will hold for the flux, and must be equal to the probability current. 
For the transmitted wave, this yields 

2
| | (25)

  is  the  Fermi‐Dirac  carrier  distribution  in  the  source,  and  T  is  the  transmission  probability 
| |
specified by  | |
. 

The normalization condition is 

2
| | (26)

4.3 Integration 

By  including  the  source  and  drain  injections  components,  the  normalized  wavefunction  gives  the 
total carrier density in the system. To obtain this carrier density on graphene, an integration of   
on all possible energies levels needs to be calculated:   

11 
 
 , , (27)

, , (28)

Where Emin is taken to the bottom of the energy band, Emax is the vacuum energy level,  , ,  ,  
stand  for  the  electrons  source  and  drain  injection  and  , ,  ,   stand  for  the  holes  source  and 
drain injection respectively. A straight forward way of doing this integration is using the right point 
rectangle rule: 

∆ ∆ (29)

Simply divide the interval [Emin, Emax] into equidistant points and the Schrodinger equation will be 
solved at these points.   
 
It  is  discovered  that  by  using  this  method  an  accurate  result  can  be  only  obtained  when  a  large 
number of points are allocated in the interval, and the computing time has to be extremely large for 
archive a converged carrier density. A possible explanation is that when potential profile changes on 
graphene, narrow resonances of the wavefunction may occur at certain energy levels, this will leads 
to  a  suddenly  change  of  the  carrier  concentration  and  result  a  very  long  simulation  time  or  even 
worse a oscillated and not converged charge. To avoid this problem the accuracy of the integration 
should be independent of the location of resonances, and adoptive Simpsons’ method [15] is used. 

4.3.1 Adoptive Simpson’s method 

We  can  compute  an  integration    using  Simpson’s  method  with  different  subdivided 

interval. 

4 (30)
6

                  
(31)
                        4 2 4
12

12 
 
Where       

If  | |/15   where  ε  is  a  predefined  tolerance,  the  algorithm  calls  for  subdividing  the 
interval of each integration into two again and applying Simpson's method to every subinterval in a 
recursive manner. 
 
By  applying  this  procedure,  the  points  in  the  integration  interval  is  non‐equidistant,  so  there  are 
many points around the resonances while in other regions there are few points 
 
This procedure ensures that the points in the integration interval are non‐equidistant which implies 
that  there  are  many  points  around  the  resonances  while  in  other  regions  there  are  few  points. 
Figure. 6 shows the convergence of the simulations with respect to the number of iterations using 
the adaptive method. 

0.09

0.08

0.07
Converge Paramter

0.06

0.05

0.04

0.03

0.02

0.01

0
0 5 10 15 20 25 30
Number of iterations
 
Figure. 6 Normalised potential updates after each iteration 
 
Using  a  numerical  damping  factor,  the  coupled  Schrödinger‐Poisson  equation  model  was  solved 
iteratively. An initial assumption of zero charge    distribution on the graphene surface was made 
and  the  electrostatic  potential    was  computed  from  the  Poisson  program,  the  new  charge 
density    is computed using the electrostatic potential  . This new charge density is used for 
the calculation of the new potential    and finally the new potential    is calculated as: 

1 (32)

Where  0 1. The convergence of the system is achieved when the defined criterion is met. 

13 
 
5 Results 
A  graphene  nanoribbon  of  20nm 3nm  is  presented  herein.  The  work‐functions  of  graphene 
surface  were  taken  to  be  4.5eV  and  the  conduction  band  edge  on  the  channel  in  equilibrium  is 
0.15eV where the Fermi level is set to zero.   

Potential   

Figure.  7(a)  shows  3D  potential  profile  on  graphene  in  equilibrium  (V 0)  at V 0.5V,  x  is 
along the length while z is along the width of the graphene. Increasing    V   will lower down the 
potential  in  the  middle‐region  as  shown  in  Figure.  7(b).  A  cross‐section  of  the  potential  profile  at 
z 1.5nm  that  gives  a  clearer  picture  of  the  potential  reduction  in  the  mid‐region  is  shown  in 
Figure. 7 (c) 

   
(a)  (b) 

0.15

0.1
Conduction Band Edge (eV)

0.05

-0.05

-0.1

-0.15

-0.2

-0.25

-0.3
0 2 4 6 8 10 12 14 16 18 20
X (nm)
 
(c) 

14 
 
Figure. 7 Simulation of the potential profile on graphene at  0.5   (a) 3D view of the potential on graphene at 
0.0   (b) 3D view of the potential on graphene at  0.4   (c) Band edge profile along the device for 
0.0   (red),  0.1   (green) and  0.4   (blue). 

Charge 

Increasing  V   lowers down the conduction band edge which results in more negative charge along 
the channel as shown in Figure. 8. Out of equilibrium, the charge concentration in the mid‐region 
was noted to be affected by the applied drain bias and this effect can be seen in Figure. 8(b). The 
carrier  concentration  is  reduced  in  the  channel  as  applied  V   increases  because  more  electrons 
diffuse towards the drain contact.   

   
(a)  (b) 
Figure.  8  Simulation  of  the  carrier  density  at  0.5 .  (a)  3D  view  of  the  net  carrier  density  as  a  function  of 
position at  0.0 . (b) 3D view of the net carrier density as a function of position at  0.4 . 

Transmission Probability   

The method of solving the Schrodinger equation using the scattering matrix method allows the full 
computation of the incident and reflected fluxes at the barrier. Above the barriers, the carriers are 
assumed to have a transmission probability close to 1 but the resulting probability obtained for this 
model  is  noted  to  be  dependent  on  the  energy.  The  transmission  probability  for  electrons  which 
could be seen as a function of energy is shown in Figure. 10. As the energy increases towards the 
conduction band edge the transmission probability approaches unity whereas at the lowest energy 
the probability is much less than unity. 
 

15 
 
 0.8

0.6

0.4

0.2

Energy (eV)
0

-0.2

-0.4

-0.6

-0.8
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Transmission Probability
 
Figure. 9 Transmission probabilities for electrons at  0.5   and  0.4  

Performance 

In this section, we present the current‐voltage characteristics of the graphene FET model. Figure.10 
shows  the  resulting    characteristics  for  the  graphene  device  at  different  .  As  expected 
from  the  computed  charge  distribution,  the  current  increases  as    is  increased.  At  0.5  
the current saturation  was observed to be approximately 0.3V. 
 
-5
x 10
9

8
Vgs=0.1
7 Vgs=0.2
Vgs=0.3
Vgs=0.4
6
Vgs=0.5

5
I (A)

0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Vds (V)
 
Figure. 10 Current‐drain voltage characteristics of the model device at different Vgs 
 

16 
 
6 Conclusions 
In this simulation, the modelling of charge transport in graphene nanoribbon has been carried out 
using a coupled Schrödinger‐Poisson solver where an all‐round gate structure was used in order to 
have  a  good  control  of  the  two‐dimensional  structure  and  from  the  interpretation  of  the  results 
obtained,  It  can  be  confirm  that  our  simulator  works  and  can  accommodate  changes  to  the 
graphene nanoribbon geometry.   
 
The  simulator  is  fast  compared  to  when  computing  solutions  to  the  Schrödinger  equation  using 
Density Functional Theory[19] and  Non‐Equilibrium Green Function[20] where the latter methods 
do  a  lot  of  calculations  to  obtain  the  solutions.  The  solution  to  the  Schrödinger  equation  using 
scattering matrix method treats the quantum transport junction between the metallic contacts and 
the  channel  whereby  it accounts  not  just  for  the  tunnelling  but  also  for  the  resonance  to  give  an 
accurate  modelling  of  the  quantum  phenomena  in  the  device.  There  is  an  improvement  in  our 
simulation  in  the  sense  that  a  three‐dimensional  Poisson  equation  solver  that  provides  detail 
structure of graphene was implemented compared to the two‐dimensional Poisson equation which 
have been previously implemented in other models [14, 15, 21].   
 
Although, the computation of the charge density using integration by fine discretization in energy 
provided  a  converged  iteration  but  the  set  condition  has  to  be  very  small  to  achieve  this.  The 
integration  was  modified  using  an  adaptive  method,  applying  Simpson’s  rule  until  the  predefined 
tolerance is obtained which also solved the converging problem in a shorter time scale.   
 
In  this  model,  the  bandstructure  of  graphene  used  is  one‐dimensional  which  was  thought  to 
produce  an  inaccurate  result  in  terms  of  charge  density  in  the  channel.  We  only  considered  the 
carrier movements along the length‐direction where movements along the width‐direction can be 
ignored as the width dimension is very small compared to the length dimension. 

17 
 
7 Future work 

7.1 Main themes and interesting research questions 

The main theme of this PhD work is modelling graphene related semiconductor structures and to 
study  their  possible  applications.  During  the  first  9  month  work,  a  detail  simulation  of  an 
armchair‐edge  Graphene  nanoribbon  FET  transistor  has  been  performed.  However,  in  this 
simulator,  the  bandstructure  of  graphene  is  obtained  from  an  improved  tight‐binding  approach, 
this approach start with dividing the graphene nanoribbon in to unit cells along the length direction, 
which  makes  it  impossible  to  extend  the  energy  dispersion  relation  to  2‐D.  As  a  result  AB  initio 
calculation methods such as density functional theory must be performed to study the electronic 
and magnetic properties of different system geometry. 

7.2 18 month report work plan 

Figure.11 shows a brief work plan up to the 18 month report. During next 9 month time the major 
work involves publication of current work, start learning DFT and use it to perform more accurate 
calculation  of  graphene’s  electronic  properties,  improve  current  graphene  FET  simulator,  and  18 
month report write‐up. In the meantime, I will also seek for possible graphene related experiment 
opportunities to confirm the result of my simulation. The time scale of each individual task is listed 
below: 

 
Figure. 11 Work plan be for submission of 18 month report 

18 
 
7.3 Publication plan 

A paper on Poisson‐Schrodinger solver for graphene nanoribbon transistor was written before the 
submission  of  this  9  month  report.  Revising  of  this  paper  and  choosing  suitable  journal  will  be 
discussed with my supervisor after the 9 month report. 

7.4 PhD submission outline plan 

z All the PhD work is supposed to be finished by 1st May 2010, which is 5 month prior to 36 
month PhD study period. 
z The PhD thesis is expected to be submitted by 30th November 2010. 

References 
[1]  P. R. Wallace, "The Band Theory of Graphite," Physical Review, vol. 71, p. 622, 1947. 
[2]  K.  S.  Novoselov,  A.  K.  Geim,  S.  V.  Morozov,  D.  Jiang,  M.  I.  Katsnelson,  I.  V.  Grigorieva,  S.  V. 
Dubonos,  and  A.  A.  Firsov,  "Two‐dimensional  gas  of  massless  Dirac  fermions  in  graphene," 
Nature, vol. 438, pp. 197‐200, 2005. 
[3]  A. K. Geim and K. S. Novoselov, "The rise of graphene," Nature Mater, vol. 6, pp. 183‐191, 
2007. 
[4]  K. Nakada, M. Fujita, G. Dresselhaus, and M. S. Dresselhaus, "Edge state in graphene ribbons: 
Nanometer  size  effect  and  edge  shape  dependence,"  Physical  Review  B,  vol.  54,  pp. 
17954‐17961, 1996. 
[5]  J.  Nilsson,  "Graphene  bilayer  physics,"    United  States  ‐‐  Massachusetts:  Boston  University, 
2007. 
[6]  E.  McCann,  D.  S.  L.  Abergel,  and  V.  I.  Fal'ko,  "The  low  energy  electronic  band  structure  of 
bilayer graphene," European Physical Journal‐Special Topics, vol. 148, pp. 91‐103, Sep 2007. 
[7]  H. K. Min, B. Sahu, S. K. Banerjee, and A. H. MacDonald, "Ab initio theory of gate induced 
gaps in graphene bilayers," Physical Review B, vol. 75, Apr 2007. 
[8]  M. Y. Han, B. Ozyilmaz, Y. B. Zhang, and P. Kim, "Energy band‐gap engineering of graphene 
nanoribbons," Physical Review Letters, vol. 98, May 2007. 
[9]  J.  H.  Chen,  M.  Ishigami,  C.  Jang,  D.  R.  Hines,  M.  S.  Fuhrer,  and  E.  D.  Williams,  "Printed 
graphene circuits," Advanced Materials, vol. 19, pp. 3623‐+, Nov 2007. 
[10]  B. Geim, "Graphene, a newlyisolated formofcarbon, providesarich lodeofnovel," SCIENTIFIC 
AMERICAN, 2008. 
[11]  L.  Pisani,  J.  A.  Chan,  B.  Montanari, and  N.  M.  Harrison,  "Electronic  structure  and magnetic 
properties of graphitic ribbons," Physical Review B, vol. 75, p. 64418, 2007. 
[12]  M. C. Lemme, T. J. Echtermeyer, M. Baus, and H. Kurz, "A graphene field‐effect device," Ieee 
19 
 
 Electron Device Letters, vol. 28, pp. 282‐284, Apr 2007. 
[13]  D.  Gunlycke  and  C.  T.  White,  "Tight‐binding  energy  dispersions  of  armchair‐edge  graphene 
nanostrips," Physical Review B, vol. 77, p. 115116, 2008. 
[14]  D.  Schmerek  and  W.  Hansen,  "Exchange  and  correlation  effects  on  the  ground  states  of 
quantum wires," Physical Review B, vol. 60, p. 4485, 1999. 
[15]  M. Pourfath, H. Kosina, and S. Selberherr, "A fast and stable Poisson‐Schrodinger solver for 
the analysis of carbon nanotube transistors," Journal of Computational Electronics, vol. 5, pp. 
155‐159, 2006. 
[16]  C.  T.  White,  J.  Li,  D.  Gunlycke,  and  J.  W.  Mintmire,  "Hidden  One‐Electron  Interactions  in 
Carbon Nanotubes Revealed in Graphene Nanostrips," Nano Lett., vol. 7, pp. 825‐830, 2007. 
[17]  K.  W.  Morton  and  D.  F.  Mayers,  Numerical  Solution  of  Partial  Differential  Equations:  An 
Introduction: Cambridge University Press, 2005. 
[18]  D.  K.  Ferry  and  S.  M.  Goodnick,  Transport  in  Nanostructures:  Cambridge  University  Press, 
1997. 
[19]  V. Barone, O. Hod, and G. E. Scuseria, "Electronic structure and stability of semiconducting 
graphene nanoribbons," Nano Letters, vol. 6, pp. 2748‐2754, Dec 2006. 
[20]  G. C. Liang, N. Neophytou, D. E. Nikonov, and M. S. Lundstrom, "Performance projections for 
ballistic graphene nanoribbon field‐effect transistors," Ieee Transactions on Electron Devices, 
vol. 54, pp. 677‐682, Apr 2007. 
[21]  D.  L.  John,  L.  C.  Castro,  P.  J.  S.  Pereira,  and  D.  L.  Pulfrey,  "A  Schrodinger‐Poisson  Solver  for 
Modeling Carbon Nanotube FETs," Proc. NSTI Nanotech, vol. 3, pp. 65‐68, 2004. 
 
 

20