Journal Of Modern Research Physics

fa پیش بینی گاف انرژی نیمه رساناهای بر پایه نیترید با استفاده از یادگیری ماشین Prediction of the Energy Gap of Nitride-Based Semiconductors Using Machine Learning نانوفیزیک Special پژوهشي Research <div>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.</div> In this article, the energy gap of 300 nitride compounds was analyzed and investigated using quantum simulations based on Density Functional Theory (DFT). The energy gaps of the compounds were calculated using two approximations, GGA-PBE and HSE06. The parameters considered in the machine learning studies were categorized into two groups: atomic and crystalline parameters. The atomic parameters include covalent radius, electronegativity, the number of valence electrons, and the first ionization energy. After collecting data on atomic features, a multiple linear regression model was fitted to the data. Subsequently, variable selection was performed using the stepwise regression method with the AICc criterion, and the effect size of various features was calculated. Additionally, to improve the accuracy of the model in predicting HSE06, three crystal features were incorporated into the model, and eight different models were fitted, each including one or more of these crystal features. The findings indicate that the model without any crystal variables has an adjusted coefficient of determination (R²) of 75.45%. However, with the inclusion of crystal features, the results improve significantly. Specifically, adding the PBE energy gap as a variable increases the R² to 99.03% (from 75.45% to 99.03%). گاف انرژی, نظریه تابعی چگالی, نیمه‌رسانا, یادگیری ماشین, رگرسیون خطی Energy Gap, Density Functional Theory, Semiconductor, Machine Learning, Linear Regression 27 34 http://jmrph.khu.ac.ir/browse.php?a_code=A-10-349-1&slc_lang=fa&sid=1 Kavoos Abbasi کاووس عباسی kavoosa1@gmail.com 10031947532846001273 10031947532846001273 No دانشگاه یاسوج Anoushiravan Ghaffaripour انوشیروان غفاری پور ahgaffaripour@yu.ac.ir 10031947532846001274 10031947532846001274 Yes دانشگاه یاسوج Jaafar Jalilian جعفر جلیلیان jaafarjalilian@gmail.com 10031947532846001275 10031947532846001275 No دانشگاه یاسوج