نشریه پژوهش های نوین فیزیک
دوره 9، شماره 1 - ( بهار و تابستان 1403 )
جلد 9 شماره 1 صفحات 34-27 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Abbasi K, Ghaffaripour A, Jalilian J. Prediction of the Energy Gap of Nitride-Based Semiconductors Using Machine Learning. JMRPh 2024; 9 (1) :27-34
URL: http://jmrph.khu.ac.ir/article-1-248-fa.html
URL: http://jmrph.khu.ac.ir/article-1-248-fa.html
عباسی کاووس، غفاری پور انوشیروان، جلیلیان جعفر. پیش بینی گاف انرژی نیمه رساناهای بر پایه نیترید با استفاده از یادگیری ماشین. نشریه پژوهش های نوین فیزیک. 1403; 9 (1) :27-34
دانشگاه یاسوج
چکیده: (91 مشاهده)
در این مقاله با استفاده از شبیه سازی کوانتومی مبتنی بر نظریه تابعی چگالی، گاف انرژی 300 ترکیب نیتریدی مورد بحث و بررسی قرار گرفت. گاف انرژی ترکیبات با استفاده از دو تقریب GGA-PBE و HSE06 محاسبه شده است. پارامترهای مورد بررسی در مطالعات یادگیری ماشین به دو دسته پارامترهای اتمی و کریستالی دسته بندی شدهاند. پارامترهای اتمی عبارتند از شعاع کووالانسی، الکترونگاتیوی، تعداد الکترونهای ظرفیت و اولین انرژی یونیزاسیون. بعد از جمع آوری دادههای ویژگیهای اتمی مدل رگرسیون خطی چندگانه به داده ها برازش داده شد. در ادامه با روش رگرسیون گام به گام با معیار AICc انتخاب متغیر انجام شده است و اندازه اثر ویژگیهای مختلف محاسبه شده است. همچنین برای افزایش دقت مدل در پیش بینی HSE، سه ویژگی بلوری نیز در مدل گنجانده شده اند و 8 مدل مختلف هر کدام با حضور یک یا چند مورد از سه ویژگی بلوری فوق برازش داده شده است. یافته ها نشان میدهد مدلی که هیچکدام از متغیرهای بلوری در آن حضور ندارند دارای ضریب تعیین تعدیل شده (R2) به میزان به ترتیب 75.45% است که با اضافه شده ویژگی های بلوری، نتایج به میزان قابل توجهی بهبود پیدا می کند. به طور مشخص اضافه شدن متغیر گاف انرژی PBE باعث افزایش R2 به میزان 99.03% (از 75.45% به 99.03%) دارد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
تخصصي
دریافت: 1403/10/16 | پذیرش: 1403/11/17 | انتشار: 1403/6/10 | انتشار الکترونیک: 1403/6/10
دریافت: 1403/10/16 | پذیرش: 1403/11/17 | انتشار: 1403/6/10 | انتشار الکترونیک: 1403/6/10
فهرست منابع
1. [1] K. Hansen et al., "Machine learning predictions of molecular properties: Accurate many-body potentials and nonlocality in chemical space," J. Phys. Chem. Lett. vol. 6 2326−2331, 2015. [DOI:10.1021/acs.jpclett.5b00831] [PMID] []
2. [2] F. Ren et al., "Accelerated discovery of metallic glasses through iteration of machine learning and high-throughput experiments," Sci. Adv. vol. 4, 1566, 2012. [DOI:10.1126/sciadv.aaq1566] [PMID] []
3. [3] Y. Huang et al., "Band gap and band alignment prediction of nitride based semiconductors using machine learning", J. Mater. Chem. C, vol. 7, 3238-3245, 2019. [DOI:10.1039/C8TC05554H]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |