הקדמה: התפקיד הקריטי של Transud Conductive Oxides

תחמוצות מוליכים Transudive (TCOs) תופסות נישה ייחודית והכרחית באלקטרוניקה המודרנית.חומרים אלה בו זמנית יש שקיפות אופטית גבוהה בספקטרום הנראה והתנגדות חשמלית נמוכה, שילוב חיוני למגוון רחב של מכשירים אופטיקו-אלקטרוניים.ממסך מגע בסמארטפונים וטאבלטים שלנו לאלקטרודות שקוף בתאי השמש ותצוגה שטוחה, TCOs הם ההסתברות בלתי נראית המאפשרת גם את המשטחי של אור-אווירה (ITO) עם עלות גבוהה, עם , עם עלות גבוהה, עם אלקטרודות, עם עלות גבוהה, עם עלות גבוהה, עם אלקטרודות גבוהה, עם עלות גבוהה, עם עלות גבוהה, עם עלות גבוהה, עם עלות גבוהה, עם אלקטרודות (אך) עם אלקטרודות) עם עלות גבוהה של אלקטרודות גבוהה של אלקטרודות גבוהה של אלקטרודות גבוהה של אלקטרודות גבוהה, עם עלות גבוהה של אלקטרודות גבוהה, עם עלות גבוהה של אלקטרודות (אך, עם עלות גבוהה, עם עלות גבוהה של אלקטרודות (DTO) עם עלות גבוהה של אלקטרודות (אך, עם עלות גבוהה יותר, עם עלות גבוהה של אלקטרודות) עם עלות גבוהה יותר, עם עלות גבוהה של אלקטרודות

מבחינה היסטורית, גילוי של TCOs חדש הוא תהליך איטי, עבודה-מחדש. חוקרים מסתמכים על סינתזה ניסיונית וטרור, כללים אמפיריים, ובדיקות מעבדה של זמן-זמן-זמן-הזמן-הטווח הרגיל כרוכות בהשערה של הרכב המועמד, מסנכת אותו באמצעות שיטות כגון sputing או deposition לייזר מחוספס, לאפיין את התכונות האופטיות שלה ולאחר מכן עשוי להיות מסוגלות של חומרים מחוסנים על בסיס נתונים בלתי-ממים של פעילות גופנית.

בשנים האחרונות, למידת מכונה (ML) התפתחה כמאיץ רב עוצמה לגילוי חומרים.על ידי מינוף של נתונים גדולים של תכונות חומרים ידועים, אלגוריתמי ML יכולים לחזות במהירות את השקיפות וההתנהגות של תרכובות היפותטי, צמצום מרחב החיפוש למועמדים המבטיחים ביותר. גישה זו מונעת נתונים כבר הובילה לזיהוי של קובצי TCOs חדשים שנרדפו על ידי שיטות קונבנציונליות אלה, כך שלעתים קרובות משנה את הטכניקות של מתודולוגיות, כיצד מתודולוגיות של מתודולוגיות של מתודולוגיות של מתודולוגיות, מתודולוגיות, מתודולוגיות, מתודולוגיות מתקדמות, מתודולוגיות, מתודולוגיות, מתודולוגיות, מתודולוגיות, מתודולוגיות של מתודולוגיות, מתודולוגיות של מתודולוגיות, מתודולוגיות מתקדמות, מתודולוגיות, מתודולוגיות, מתודולוגיות של מתודולוגיות, מתודולוגיות של מתודולוגיות של מתודולוגיות, מתודולוגיות של מתודולוגיות, מתודולוגיות של מתודולוגיות מתקדמות, מתודולוגיות מתקדמות, מתודולוגיות של מתודולוגיות של מתודולוגיות של מתודולוגיות, מתודולוגיות של מתודולוגיות, מתודולוגיות של מתודולוגיות של מתודולוגיות מתקדמות, מתודולוגיות מתקדמות, מתודולוגיות מתקדמות

יסודות של Transud Conductive Oxides

נכסים ויישומים

(ב) חומר מחלחל כ-TCO אם הוא פוגש בו-זמנית שני קריטריונים תובעניים: שקיפות אופטית גבוהה (בדרך כלל > 80% שידור בטווח הנראה לעין, 400 nm) והתנגדות חשמלית נמוכה (בדרך כלל מתחת 10uaFLT:0-303FLT לעשות בזהירות ⁇ pLT2 ⁇ ) ⁇ Optinol (FLT2 ⁇ ) ⁇ ) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

יישומים של TCOs להרחיב הרבה מעבר לתצוגה ומסך מגע.ב photovoltaics, TCOs לשמש אתגרים חזיתיים עבור סיליקון, פיל-פיל, ואת תאי השמש perovskite, המאפשר אור השמש להגיע לשכבה הפעיל תוך מיצוי הנוכחי. Light-emitting diodes (LEDs), כולל נוריות אורגניות (OLEDs), להסתמך על TCO aodes יעיל עבור הזרקת מטען.co הם גם תכונות חכמות יותר ויותר גמישים (co) ו-tos) חיישנים גמישים.

שיטות גילוי מסורתיות ומגבלות

[ה] גילוי TCO קלאסי מונחה על ידי עקרונות של פיזיקה וכימיה מוצקה, חוקרים לעתים קרובות לחקור חומרים עם פערים רחבים (>3 eV) כדי להבטיח שקיפות, ולאחר מכן להציג את הדו-פינטים כדי להגדיל את ריכוז המוביל.אסטרטגיות נפוצות כוללות החלפת cations (למשל החלפת פערים ב- ELT:03+FLT:1 עם סנפיר:2+FLT, כלומר, למשל, IFal) LT2, כלומר: 7.

אופי ניסיוני כרוך מדידת גיליון (מחקר של ארבעה נקודות), אפקט הול (ניידות וריכוז), ו משדר אופטי (UV-V-V-V-NIR spectrophotometry) כל מדידה היא זמן-consuming ודורשת דגימות דיסרט דק באיכות גבוהה יותר.יתר על כן, היחסים בין פרמטרים עיבוד (טמפרטורה, לחץ, שיטת מחיקה) ונכסים סופיים הם לעתים קרובות מורכבים, רשלעתיים נרחבים של עשרות מחקרים חד-שנתיים של קבוצות מסורתיות.

[ה] המגבלות נעשות חמורות כאשר בוחנים את החיפוש אחר חלופות ל-ITO. מערכות מועמדים כגון stannate stannate, Catmium stannate, or ternary oxides (למשל, ZnentiFLT:0203FLT:203FLT:1Inph:22FLT:4OLT:45:5FLT) נחקרו, אך תנאי ריכוז עצום ומעבדים, עם דגש רב-מחדש, הוא גדול, עם דגש, עם דגש על .

כיצד Machine Learning Transforms TCO Discovery

מודלים של Data-Driven: מ-Descriptors to Predictions

מודלים של למידת מכונות לומדים תבניות מהנתונים כדי ליצור תחזיות על דוגמאות חדשות, בלתי נראות. בהקשר של גילוי TCO, המטרה היא בדרך כלל לחזות נכס מטרה - כגון פער הלהקה, מוליכות חשמלית, או שידור אופטי - ממערך של תכונות קלט או descriptors המייצגים את הקומפוזיציה החומרית והמבנה. Common descriptors כוללים תכונות אלמנטליות (אלקטרוניות, רדיוסלאורציה אטומית, ספירה אלקטרואקטיבית), כגון תכונות אלקטרוליטיות, כגון: ריצוף).

(המחקרים המודרניים של ML לעתים קרובות משתמשים בייצוגים מתוחכמים יותר: TheFLT:0compositional descriptor SpacecioFLT:1 ניתן לבנות באמצעות ה-FLT:2Materials ProjectFLT 3 או FLT:4 Inorganic Crystal Structure (ICSD) LT:5 כמקורות נתונים.

אלגוריתמים נפוצים המשמשים במחקר TCO כוללים יערות (FLT:0random Forest) (RF)FuaLT:1,FLT:2 תומך מכונות וקטור (SVM) LT 3, FLT:4GGGGPR) אשר מסייע לדגמי ביצועים גבוהים ו-FLT (GPR) כדי לסייע לדגמי ביצועים גבוהים ביותר, אשר יכולים לספק תכונות יעילות גבוהה של RF ו-RF).

הכשרה ואימות של מודלים של ML

(ה) מודל ML מחייב איסוף נתונים של TCOs ידוע ו- oxides הקשורים למסד נתונים ציבוריים כגון FLT:0Materials ProjectFLT:1 (ראה:2materialsproject.orgFLT 3: 8) ,FLT:4NODFREFIRLT:5, ו-LT6FMDSMD, אם כי הוא מכיל חומרים מ- 7.

זרימת עבודה ML טיפוסית כוללת את השלבים הבאים:

  1. (FLT:0) איסוף נתונים וניקוי: 1FLT:1 Aggregate נתונים של מקורות מרובים, להתמודד עם ערכים חסרים, להסיר את החריגים. עבור TCOs, תכונות כגון פער אופטי נמדד והתנגדות חייב להיות מתואם עם הרכב והמבנה.
  2. (FLT:0) הנדסה של תכונות: FLT:1 ליצור קבוצה של תיאוריים שלוכדים את השחלות בנכסים.זה עשוי לכלול יחסי סטויצ'ימטרי, ממוצעי רכוש אלמנטריים, וטביעות אצבע מבניות (למשל, טיהור וורוונוי של סביבות תיאום).
  3. (FLT:0)Model Training:FLT:1 , פיצול את הנתונים לאימון (80%) ומבחן (20%) קובע מודלים מרובים ומדורגים מכוונן באמצעות הפסקות צלב כדי להימנע מהתאמה יתר.
  4. (FLT:0) ובחירה: נציין: 1FLT) מודלים הערכה על הבדיקה להגדיר באמצעות מדדים כגון שורש פירושו שגיאה מרובע (RMSE), R2 coefficient, ומשמעות שגיאה מוחלטת (MAE). מודל המודיע הטוב ביותר נבחר לחיזוי.
  5. <חזק>Screating: החל את המודל לתפוצה גדולה של יצירות היפותטי או לא מלומדות (למשל, כל הגרסאות האפשריות של תחמוצת הורה) מועמדים דירוג על ידי תכונות יעד חזו, עם מסננים נוספים (למשל, יציבות: יצירת אנרגיה < eV /atom).

התפתחות חשובה לאחרונה היא השימוש ב-FLT:0 למידה פעילה של למידהFLT:1, שבו מודל ML מציע את הניסויים הבאים כי הם ככל הנראה לשפר דיוק מודל או להניב חומרים עם תכונות הרצויות. גישה זו אנושית-ב-the-loop מפחיתה באופן דרמטי את מספר הניסויים הדרושים כדי לגלות ביצועים גבוהים TCOs.

סיפורי הצלחה

מחקר ציוני דרך אחד השתמש בלמידה של מכונה כדי להציג מעל 10,000 יצירות חד-חמצני היפותטי עבור התאמת TCO.מודל ML, מאומן על סט נתונים של -500 מאופיין ניסיוני TCOs, חוזים פערים והתנגדות עם דיוק סביר.50 המועמדים העליון היו מסונתזים ואופיינים, המוביל לגילוי של כמה שקיפות, כולל ניאומיום-דו-דו-ברומיאליום (Sn2F) עם אלקטרו-FD2D2DN) מעל 100: 1V LT2N) מעל 100: 1V LT2N2N) מעל 1V LT2N2N2N2N2N: 1V LT2N: 1V LT2N2N) מעל 1V LT2N2N1

(ב) דוגמה בולטת נוספת של רשתות עצביות של גרפן לחיזוי אנרגיות היווצרות ופריצי גלקסיות של אבץ נצחי ובסיסן של חמצני (המודל זיהה את המתחם הלא ידוע בעבר ZnIRFLT:0203FLT:1SncioFLT:21.5033FLT 3:OFLT:43.5FLT:5 כמועמד ניסיוני מבטיח TCO2irdexadation 4 ⁇ )

בספרות האקדמית, סקירה של Ng et al. (FreaLT:0 npj חומרים Computational, 2021FLT:1) דן כיצד ML מאיץ את התגלית של מוליכים למחצה דו-חמצני דחוסים.יתר, העבודה של יו ועמיתים משותפים (FLT:2 Advanceded Materials, 2019Fillo 3: 3) הציגה גישה גבוהה באמצעות בדיקות קידוד משולב עם DFTS5n-FN:

שילוב של ML עם טכניקות ניסיוניות

High- Throughput Screening and Synthesis

למידת מכונה יעילה ביותר כאשר יחד עם ניסויים בתפוקה גבוהה (HTE) בפלטפורמת HTE טיפוסית, רובוטים סינתטיים אוטומטיים יכולים להפקיד סרטים דקים של מאות יצירות על תת-ממד אחד באמצעות sputtering או sputer כימי deposition.אלה מאופיינים במהירות על ידי כלי אחסון או סריקה המפחיתים התנגדות וניתוק על פני רשת קידודים ישירות של נתונים.

מערכת סגורה זו יכולה למסך אלפי חומרים ביום, קצב שהוא מסדרים של גודל מהר יותר מאשר שיטות מסורתיות.לדוגמה, FLT:0-באמצעות חומר ניסיוני (HTEM-DB)FLT:1 במעבדת האנרגיה הלאומית מתחדשת (NREL) השתמש בזרימות עבודה כאלה כדי לזהות קובצי TCO עבור יישומים פוטו-וולטאיים.

שילוב תורת תפקוד הכחשה ולמידה של מכונות

תורת פונקציונליות דנזלת (DFT) היא שיטה מכנית קוונטית שיכולה לחשב את המבנה האלקטרוני ונכסים רבים של חומרים מן העקרונות הראשונים.עם זאת, חישובים DFT יקרים חישוביים, במיוחד עבור מערכות גדולות או בדיקות חישוביות גבוהה.מודלים של ML המוכשרים על תוצאות DFT יכולים לפעול כמו פונדקאים, לחזות תכונות כמו פער קבוצתי, מסה יעילה, וקבועים במיליים במקום שעות.

גישה היברידית של ML-DFT:1 (FLT:0) הצליחה במיוחד עבור גילוי TCO.לדוגמה, החוקרים פיתחו רשתות עצביות על פערי הלהקה של אלפי תרכובות תחמוצת, השגת שגיאות חיזוי של פחות מ-0.10.2 מודלים אלה ניתן להשתמש כדי להציג מאות אלפי חומרים היפותטי מאומתים לאחר מכן עם דיוק מלא, ו- DFTJ של יצירת דיוק (FDFD) של יצירת דיוק ישיר של ההרחבה).

אתגרים ושיקולים

מחסור בנתונים ואיכות

למרות ההתקדמות, הזמינות של נתונים ניסיוניים איכותיים, המחוספסת נותרה צוואר בקבוק גדול.רוב המחקרים שפורסמו מדווחים על תכונות על קומץ של דגימות, לעתים קרובות בתנאים סינתזזה שונים, מה שהופך את זה קשה להשוות או לאסוף נתונים.בנוסף, ההפצה של TCOs ידוע מוטה: ITO ו נגזרות שלה הם יותר מ-MLrepresentated, בעוד משפחות כימיות רבות ומבטיחות (למשל, תחמוצת ternary חמצני עם אזורים נדירים עשויים להתעלם ממודלים).

(ה) למתן את הנושאים הללו, החוקרים מפתחים חישובים:0) העברת הלמידה של הוראת קיד:1, שבו מודל מוגבל מראש על בסיס נתונים תיאורטי גדול (למשל, פערי DFT מפרויקט החומרים) הוא מצוין על בסיס נתונים ניסיוני קטן יותר (לא כולל איורים מרכזיים) ו- NODLCN (OL) כולל:2 חומרים מודיעים על תשתיות LT3, כגון: 4FLTIFIRDIFIRD) ו-FIRDILODILODERDILODERDERODERODERODEROL.

מודל Interpretability ו- Generalization

מודלים רבים עוצמה ML, במיוחד רשתות עצביות עמוקות, פועלים כ"קופסאות שחורות": הם מספקים תחזיות מדויקות אך מציעים תובנה מועטה למנגנונים הפיזיים הבסיסיים של מנגנונים פיזיים.חוסר פירושים זה יכול לעכב הבנה מדעית ולהקטין את האמון בדוגמנות מודל.ל תגלית TCO, לעתים קרובות רצוי לדעת FLT:0 (מדוע FLT:1) הרכב מסוים צפוי להיות מוליכים: הוא בשל ניידות גבוהה, איזו השפעה גבוהה, או גבוהה, אשר הן תכונות ריכוז או רכיב?

טכניקות כגון:0.(SHAP) (SHapley Additive exPlanations) irFLT:1 ו-FLT:2partial התלות העלילהsssph3 יכול לחשוף חשיבות וכיוון תכונה. לדוגמה, ניתוח SHAP של מודל יער אקראי עבור TCOivity עשוי להראות כי סכום של אלקטרון p-bitals וממוצע אלקטרוליטיקס הם ספירה של תכונות חדשות המשפיעות על ידי עיצוב איטי יותר.

אתגר נוסף הוא הכללה על פני משפחות שונות של תחמוצות.מודל ML שהוכשר רק על תחמוצות בינאריות עשוי להופיע גרוע על מערכות ternary או quaternary שבו אינטראקציות בין צלקות מרובות הן קריטיות.התרסו על פני קבוצות נפרדות מבחינה כימית מסייע להעריך את הכללה.

כיוונים עתידיים והשפעות

השילוב של למידת מכונה לגילוי TCO עדיין בשלבים המוקדמים שלו, אך הפוטנציאל הוא עצום.כאשר הנתונים גדלים גדולים יותר וסטנדרטיים יותר, וככל שהאלגוריתמים הופכים ליותר מתוחכם, מהירות הגילוי תמשיך להאיץ.

  • (FLT:0Self-dDrive מעבדות:FIRLT:1 למערכות אוטומטיות מלאות המשלבות תחזיות ML, סינתזה רובוטית, והתאמה אישית תאפשר גילוי עצמי של השעון.טיפוסים מוקדמים כבר הוכיחו את היכולת לזהות תמונות חדשניות של חומרים דמויי TCO עם התערבות אנושית מינימלית.
  • (FLT:0) אופטימיזציה אובייקטיבית: ⁇ F1) יישומי TCO דורשים לעתים קרובות ביטול מסחר בין שקיפות, התנהגותיות וגורמים אחרים (למשל, גמישות מכנית, יציבות תרמית מודלים יכולים להיות מאומן לייעל מטרות מרובות בו זמנית, באמצעות טכניקות כמו ניתוח גבולות Pareto כדי לזהות את החומרים הפשריים הטובים ביותר.
  • (FLT:0) אינטגרציה עם אופי מתקדם: ההרחבה: ההרחבה 1 (High-באמצעותput אופטי וחשמל מדידות ניתן לשלב עם ML כדי להפר פגמים מקומיים, אפקטים של גבולות דגנים, ויעילות מינון. הבנה עמוקה זו תעזור עיצוב רציונלי של TCOs מעבר תחזיות פשוטות.
  • (FLT:0)Expansion to גמיש ו- Earth-abundant TCOs:Felo:FLT:1 עם דחיפה לכיוון אלקטרוניקה בת קיימא, ML יזרז את החיפוש עבור TCOs בהתבסס על אלמנטים בשפע (ברזל, אבץ, מגנזיום) שניתן לעבד בטמפרטורות נמוכות על תת-שכבות פלסטיק.

לסיכום, למידת מכונה אינה רק כלי לניתוח נתונים, אלא זרז שמשנה באופן יסודי את האופן שבו אנו מגלים תחמוצות מוליכים שקופה.על ידי החלפת ניסוי אקראי וטרור עם תחזיות מושכלות, ML מקצר את מחזור הפיתוח בשנים עד שבועות, מקטין עלויות, וחושף חומרים שיישארו אחרת מוסתרים.