Giriş: Tesviçre Dayanıklı Banyoların Eleştirel Rolü

Tesadüf oksitler (TCO) modern elektroniklerde eşsiz ve vazgeçilmez bir niş işgal ediyor. Bu malzemeler aynı anda görünür spektrumda ve düşük elektrik direncine sahip, çok sayıda optoelektronik cihazlar için gerekli olan bir kombinasyondur. ancak, yüksek maliyet ve ekran panelindeki yüksek çözünürlükte, TCO'lar her iki ışık iletimi ve mevcut koleksiyona sahip görünmez bir arka kemiğidir.Indium tin oksit (ITO) uzun zamandır hakim TCO'nun mükemmel bir dengesini sunmaktır.

Tarihsel olarak, yeni TCO'ların keşfi yavaş, iş yoğun bir süreçtir. Araştırmacılar optik ve elektrik özelliklerini karakterize eder ve sonra potansiyel olarak gözlemlenen laboratuvar testleri gerektirir. Tipik bir iş akışı, bir adayın kompozisyonunu hipotezlerini tanımlamak için bile gerektirir, milyonlarca yöntem ile sentezlemeyi gerektirir - sonuçsuz olarak test edilemez.

Son yıllarda, makine öğrenimi (ML) en umut verici adaylara yapılan arama alanının şeffaflığını ve iletkenliğini tahmin edebilir.Bu veriler odaklı yaklaşım, geleneksel yöntemlerle göz ardı edilen yeni TCO'ların tanımlanmasına yol açtı.Bu makale, makine öğreniminin şeffaf iletken iletken iletken oksitlerin keşfini ve iletken bileşiklerin iletkenliğini hızla tahmin edebilir, en temel metodolojileri, en umut verici hikayelerin anahtar metodolojilerini, başarı öykülerini ve gelecekteki yollarını ayrıntılı olarak tahmin edebilir.

Tesviçreli Oksitlerin Temelleri

Özellikler ve Uygulamaları

Bir malzeme aynı anda iki talep edilen kriterle bir araya gelirse TCO olarak ifade eder: yüksek optik şeffaflık (tipik olarak% 80’lik bir şekilde görünür aralıkta, 400-700 nm) ve düşük elektrik direnci (genellikle 10)-3) - ITO, ZednO (örneğin) gibi, yüksek elektriksel iletkenliği genellikle yüksek taşıyıcı konsantrasyonları (daha iyi elektronları veya delikler) yönetebilir.

TCO'ların uygulamaları, mevcut olan renkli ve dokunaklı (OLEDler) çok daha fazla görüntüyü genişletiyor ve TCO'nun etkili şarj için ön elektrotlara hizmet ediyor.TCO'lar da akıllı pencerelere (örneğin, sensörlere ve şeffaf ısıtma elemanlarına ulaşma imkanı veriyor.

Geleneksel Keşif Yöntemleri ve Sınırları

Klasik TCO keşif, sağlam devlet fizik ve kimyadan gelen ilkeler tarafından yönlendirilir. Araştırmacılar genellikle geniş bant boşlukları ile malzeme keşfederler (>3 eV) şeffaflığı sağlamak için, o zaman taşıyıcı konsantrasyonunu artırmak için dopantsler tanıtılır. Ortak stratejiler altüstlemeler (örneğin, FFLT:0) O3+).

Deneysel karakterizasyon, sayfa direncini (dört noktalı prob), Hall etkisi (karrier hareketliliği ve konsantrasyon), ve optik iletim (UV-Vis-NIR spectrofofofofofofofofofofofofotometrisi) her ölçüm düşük zamandır: tek bir araştırma grubu, yılda on birkaç yüz kompozisyona ekran olabilir.

Sınırlar ITO'ya alternatifleri ararken akut hale gelir.Dönemli çinko stant, kamyum stannate veya ternary oksitler (örneğin, Zn)[FLT])[FLT: 5) incelendi, ancak şarj edici uzayı incelendi.

Makine Öğrenmesi Nasıl Dönüştürüyor TCO Discovery

Data-Driven Modeling: Descriptors'dan Tahminleri Önlemler

Makine öğrenme modelleri, yeni, görünmeyen örnekler hakkında tahminler yapmak için veriden desenler öğrenir. TCO keşif bağlamında, hedef genellikle bir hedef mülkünü tahmin etmek - grup boşluğu, elektrik iletkenliği veya optik iletimleme gibi - bir dizi giriş özelliklerinden veya tanımlayıcıdan elde edilen ve materyal kompozisyonu ve yapısını temsil eden ortak tanımlayıcılar. Common descriptors (örneğin, atomik yarı iletkenliği, valence elektron sayı)

Modern ML çalışmaları genellikle daha sofistike temsiller kullanır. TheFLT:0) İmkansız boşluk[D)[Döneticileri kullanarak bir malzeme kodlayabilir: Tüm elementlerin elektronegativiteleri, p-erons ortalamaları veya valans elektronları sayısı, atomik elektronların sayısı (ICSD)[D)[D)[D)[D)[D)[değiştir | kaynağı değiştir].

TCO araştırmalarında kullanılan Common ML algoritmaları, [FONT) [FONTD], [DNN) [FONT:2) kullanılmaktadır.)., [[Gaussian süreci regresyon (GPR)[D)[D)[D)[D)[D) ve DNN) [DRA] [DRA] [DXNT) [FONT) [FONT) [FONT) [FONT) [FONT) [FONT) [FONT) [FONT) [FONT) [FONT) ile ilgili tüm sayısal modelleri, veri verimliliği ve ölçeklendirmede kullanılabilirlik sağlar.

Eğitim ve ML Modellerinin Geçerliliği

Güçlü bir ML modeli, bilinen TCO'ların ve ilgili oksitlerin iyi bir veri kümesi gerektirir. [FONTD:0]Malzeme Projesi) [Döneticiler:0) [Döneticiler için ), [D[D][/D][/FONTD][/FONTD][/FONTD][/FONT=D][/FONT=D][/FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FO

Tipik ML iş akışları aşağıdaki adımları içerir:

  1. [FONT:0]Data collection and temizliği:[Dönetici:[Dönetici:0) Aggregate mülk verileri birden fazla kaynaktan ele alır, eksik değerler alır ve outliers için TCOs için, ölçülen optik boşluk ve direnç ile ilişkili özellikler kompozisyon ve yapı ile ilişkilendirilmelidir.
  2. [FONT:0)Ana Sayfa Mühendisliği: [Dönetici: [Dönetici:0))) Genrate a set of descriptors that catch the variance in properties.This may include stoichiometri oranları, elemental property ortalamaları, ve yapısal parmak izi (örneğin, Voronoi tessellation of koordinasyon ortamları).
  3. [FONT:0) Model eğitimi:[[Dönetici:0) Veri setini eğitime (% 8) ve test (% 20) setleri. Tren multiple model ve hiperparametreleri çapraz ödemeden kaçınmaya yönelik olarak ayarlar.
  4. [FONT:0]Validation ve seçim: Evaluate modelleri temel olarak karek hata (RMSE), R2 kat ve mutlak hata (MAE) olarak adlandırılan test setinde yapılır.
  5. ScreING: Modelin büyük bir varsayım veya yorumlanmamış kompozisyonlara (örneğin, bir ebeveyn oksitin tüm olası örneklerini) tahmin ederek hedef özellikleri, ek filtrelerle (örneğin, istikrar kriteri) oluşturması gerekir.

Önemli bir son gelişme, istenen özellikleri olan model doğruluğu veya veri materyali geliştirmek için en muhtemel olan deneyleri ortaya koyar.Bu iteratif insan-in-loop yaklaşımı, yüksek performanslı TCO'ları keşfetmesi için gereken deneylerin sayısını dramatik bir şekilde azaltır.

Anahtar Başarı Hikayeleri

Bir dönüm noktası, TCO uygunluk için 10.000'den fazla varsayımlı oksit kompozisyonunu ekranlamak için makine öğrenimi kullandı. ML modeli, bir veri setinde eğitilmiştir.TCO'nun belirlediği bir dizi deneyen ve tahmin edilen grup boşlukları ve makul doğrulukla karşı karşıya kaldığı tahmin edildi.En iyi 50 adayın 100 cm'yi aştığını, /V)[Döneticileri ve yüzde 85'i).

Başka bir önemli örnek, fikre enerjilerini ve ternary çinko- ve tin- bazlı oksitlerin oluşumlarını tahmin etmek için grafik sinir ağları uyguladı.Fentalize edilmiş bileşik Zn)2[Dönemli).O).) Bu tür bir TCO adayının vaat ettiği gibi büyük kimyasal alanın gücü altında hareket etti.

Akademik literatürde, Ng et al. () tarafından bir inceleme, 2021 ) ile ML'nin yarı iletkenleri nasıl hızlandırdığını tartıştı.).

Deneysel Tekniklerle ML'yi bütünleştirmek

Yüksek-Throughput Ekran ve Synthesis

Makine öğrenimi, yüksek kodlu deneylerle sıkı bir şekilde çiftleştiğinde en etkilidir (HTE) Tipik bir HTE platformunda, otomatik sentez robotları, bir dizi kompozisyonun ince filmlerini doğrudan incelemeye yardımcı olabilir.Bu kütüphaneler daha sonra hızla bölge-kırıklama araçlarıyla karakterize edilir ve bir ızgaraya karşı direnç ve yönlendirme araçlarıyla karakterize edilir.

Bu kapalı-loop sistemi günde binlerce malzeme ekranlayabilir, örneğin, PPV'lerin kombinasyonlarını tanımlamak için bu tür iş akışları kullanır.Profesyonel Malzeme Veritabanı (HTEM-DB)) modelinin doğruluğunu geliştirir ve genişletir.

Yoğunluk Fonksiyonel Teorisi ve Makine Öğrenme

Yoğun fonksiyonel teori (DFT), DFT sonuçları üzerinde eğitilmiş büyük sistemler veya yüksek kod tarama için, grup boşlukları, etkili kütle ve milisaniyelerde periyodik olarak tahmin edilebilir bir kuantum mekanik yöntemidir. ancak DFT hesaplamaları özellikle DFT sonuçları üzerinde eğitilmiş büyük sistemler veya yüksek kod taraması için, DFT sonuçları üzerinde eğitilmiş modeller, özellikle de bant boşlukları, etkili kütle ve dielektrik sabitleri saatlerce sabitlenebilir.

Bu nedenle, araştırmacılar, DFT-computed band boşlukları ile binlerce oksit bileşik için eğitilmiş sinir ağları, 0.1'den daha az tahmin edin. Bu modeller daha sonra yüzlerce varsayımsal kompozisyonu ekran için başarılı olmuştur. Örneğin, araştırmacılar DFT-computed band boşlukları ile DFT-komputlu ve doğrulukla eğitilmiştir.[DFTT:2).[DFT:2).

Meydanlar ve düşünceler

Data Scarcity ve Quality

İlerlemeye rağmen, yüksek kaliteli, tedavi edilen deneysel verilerin kullanılabilirliği büyük bir şişenck. Çoğu yayınlanmış çalışma, birçok umut verici kimyasal ailede genellikle farklı sentez koşulları altında, karşılaştırmak veya agrega verileri bulmak zorlaşır. Ek olarak, bilinen TCO'ların dağılımı yanlıdır: ITO ve onun türevleri aşırı temsil edilirken, birçok umut verici kimyasal aile (örneğin, nadir görülen dopants) aramanın altında.Bu dengesizlik, aramanın potansiyel olarak değerli bölgeleri göz ardı etmek için ML modellerini yollayabilir.

Bu sorunları azaltmak için araştırmacılar, DFT bandı boşlukları geliştiriyorlar. başka bir strateji daha düşük bir deney platformudur.[Döneticileri ve altları değiştir].The DFT groups boşlukları.[DFTT:6Citrination[tr|Döneticileri değiştir][değiştir | kaynağı değiştir][değiştir | kaynağı değiştir][değiştir | kaynağı değiştir][değiştir | kaynağı değiştir][değiştir | kaynağı değiştir]

Model Yorumability and Generalization

Birçok güçlü ML modeli, özellikle derin sinir ağları, "kara kutular" olarak çalışır: doğru tahminler sağlarlar ancak temel fiziksel mekanizmalara küçük bir fikir sunarlar. Bu yorumlanabilirlik eksikliği bilimsel anlayışa engel olabilir ve model önerilerine duyulan güven azaltır. TCO keşif için, genellikle sonuçları bilmek arzu edilir.

0:0)SHAP (SHapley Katkıları için rastgele bir orman modelinin analizi) ) ve ortalama elektronegatT:2) en etkili iki özelliktir ve bu yüksek p-veyabital elektron sayımını ortaya çıkarabilir. Örneğin, TCO direnişinin rastgele bir şekilde analiz edilmesi, p-veyabital elektronların miktarını ve ortalama elektronların en etkili iki özellik olduğunu önerebilir.

Bir başka meydan okuma, oksitlerin farklı ailelerinde genelleşmedir. Sadece ikili oksitlerde eğitilmiş bir ML modeli, birden fazla casyon arasındaki etkileşimlerin kritik olduğu korkunç veya yarıklayıcı sistemler üzerinde pratik olarak farklı gruplar arasındaki ayrımın genelleştirilmesine yardımcı olur.Amoner-uyum hesaplamaları ile yapılan eğitim setini değerlendirmek, yüksek kodlu hesaplamalarla yapılan eğitimin geliştirilmesi için çok önemlidir.

Future Yol ve Etkisi

TCO keşifine makine öğreniminin entegrasyonu hala erken aşamalarındadır, ancak potansiyel çok büyük. Veri setleri daha büyük ve daha standart hale gelir ve algoritmaların hızlanması daha sofistike hale gelecektir, keşif hızı özellikle umut vericidir: Birkaç trende hız kazandıracaktır:

  • [FONT:0]Kendi kendine giden laboratuvarlar:[Dönetici: ML tahminlerini birleştiren tam otomatik sistemler, robotik sentez ve sürekli karakterizasyon, yuvarlak saat boyunca otonom keşifler sağlayacaktır. Erken prototipler zaten en az insan müdahalesi ile yeni fotocatalyst ve TCO benzeri malzemeleri tanımlama yeteneği göstermiştir.
  • [FONT:0)Multi-objective optimizasyon: TCO uygulamaları genellikle şeffaflık, iletkenlik ve diğer faktörler arasında bir ticaret gerektirir (örneğin, mekanik esneklik, termal istikrar). ML modelleri Pareto sınır analizi gibi teknikleri kullanarak aynı anda birden çok hedef için eğitilmiştir.
  • [FONT:0) Gelişmiş karakterizasyon ile ilgili olarak: Yüksek-toplayıcı optik ve elektrik ölçümleri, yerel kusurları, tahıl sınır etkilerini ve doping verimliliğini sağlamak için ML ile birleştirilebilir.Bu daha derin anlayış, basit kompozisyon tahminlerinin ötesinde TCO'ların rasyonel tasarımına yardımcı olacaktır.
  • DÖRT:0) Sıvı ve topraktan ayrılan TCO'lara karşı çıkıyor: [Dönetici elektroniklere doğru iten, ML, TCO'ların aramasını bol elementlere (iron, çinko, magnezyum) göre hızlandıracak ve bu da düşük sıcaklıklarda plastik substratlara göre işlenecek.

Sonuç olarak, makine öğrenimi sadece veri analizi için bir araç değildir, ancak temel olarak şeffaf iletken oksitler keşfettiğimizi değiştirir.Bilgi tahminleri ile rastgele deneme-ve-terörü yerine getirerek, ML bu verileri haftalardan gelen gelişimi kısa sürede azaltır ve aksi takdirde yakınlaştırır.Demokrat ve deneysel yeteneklerin bir araya gelmesiyle, alan bir sonraki nesil TCO'ları enerji, görüntüler ve ötesindeki bir devrim için hazırlanmaktadır.