数学与计算

在机器学习的帮助下培养出更好的单晶

字号+ 作者:admin 来源:小丑鱼-分享科普知识 2019-11-21 16:09

机器学习可以通过预测特定晶体在给定的实验条件下是否可以成功生长来帮助生长高质量的单晶。该方法可能是在实验室中生长晶体的一种廉价且快速的替代方法。 机器学习(ML)是系统从训练集中学习的过程,以便系统在提供新数据时可以自动传递适当的响应。虽然在20的中部率先个世纪,日益强大的计算

  机器学习可以通过预测特定晶体在给定的实验条件下是否可以成功生长来帮助生长高质量的单晶。该方法可能是在实验室中生长晶体的一种廉价且快速的替代方法。

在机器学习的帮助下培养出更好的单晶

  机器学习(ML)是系统从训练集中学习的过程,以便系统在提供新数据时可以自动传递适当的响应。虽然在20的中部率先个世纪,日益强大的计算机和更快的计算速度意味着现在正被应用于ML解决领域的问题广泛,包括金融,医疗,交通,当然,科学。

  单晶对于许多研究领域至关重要,包括凝聚态物理,表面科学,激光和非线性光学。仅举两个例子,诸如量子霍尔效应和Wyle半金属等基础研究都需要高质量的单晶。

  但是,在实验室中很难生长单晶,因为需要考虑许多相互关联的因素,例如温度和材料组成比。由于缺乏三元相图,三元化合物的增长特别成问题。因此,单晶生长是劳动密集型且耗时的。

  ML可以进入自己的位置,研究人员说,在中国的中科院北京,和中国人民大学,同时在北京,谁通过所谓的助熔剂法侧重于三元化合物的单晶生长,这是一个实验室中使用最广泛的方法来生长晶体。

  用于训练ML的晶体生长数据

  在他们的研究中,研究人员从实验室的两个不同组收集了有关晶体生长的数据。该数据包括生长温度曲线,原始元素组成和比例以及生长条件。他们说,数据的数量和质量对于生成成功的模型都很重要。因此,需要考虑诸如噪声和异常值的存在,丢失,不一致或重复的数据以及对当前现象有偏见或不具有代表性的数据等问题。

  研究小组在实验数据上训练了四种ML(支持向量机或SVM,决策树,随机森林和梯度提升决策树)。SVM方法效果很好,可以以81%的精度预测在特定的,人工选择的生长条件下将生长哪些晶体。相比之下,在实验室进行晶体生长实验时,这个数字仅为36%。就决策树模型而言,它揭示了哪些特征在特定增长过程中至关重要。

  “我们使用在训练数据上通过决策树获得的模型来分析单晶生长的重要因素,”团队成员Yu-Jie Sun解释说。“基于获得的信息,我们然后使用SVM预测所选的生长条件是否可以成功指导实验室中的晶体生长。”

  精度将继续提高

  他补充说:“随着我们增加用于训练机器学习的实验室数据量,该技术的准确性将继续提高。” “将新数据添加到训练模型时,我们会调整其权重。

  他告诉《物理世界》:“我们的工作表明,这种学习模型可以预测和指导实验室中的晶体生长。” “这种方法可以帮助更有效地生长高质量的晶体,进一步使过程自动化,从而促进依赖单晶体的学科的发展。”

  研究人员在《中国物理学快报》 10.1088 / 0256-307X / 36/6/068101中报告了他们的工作,现在正在努力扩大他们的技术范围。“目前,我们的研究非常有限,因此我们将尝试新的学习算法,生长更多种类的单晶,并研究其他生长方法和更大的数据库,” Sun说。“我们希望我们的方法不仅能够预测生长条件,而且能够预测任何类型的单晶的适当生长方法。”

转载请注明出处。

1.本站遵循行业规范,任何转载的稿件都会明确标注作者和来源;2.本站的原创文章,请转载时务必注明文章作者和来源,不尊重原创的行为我们将追究责任;3.作者投稿可能会经我们编辑修改或补充。转载请注明seohttp://www.swlxs.com