老阿姨最后的巅峰视频,又粗又猛又黄又爽无遮挡,午夜无码人妻aⅴ大片大象传媒

華科徐明教授InfoMat: 機器學習揭示硫屬化物玻璃中間隙態(tài)的結構起源

3D半導體集成技術的最新發(fā)展需要一個關鍵部件，即雙向閾值開關（OTS）選擇器來抑制高密度存儲芯片中的電流泄漏。然而，現(xiàn)有OTS材料性能不盡如人意。通常由硫屬化物玻璃制成的OTS材料發(fā)展緩慢，主要歸因于對其電子結構的了解不足。由于無序系統(tǒng)的第一性原理計算量很大，目前還缺乏一種通用的理論來解釋導致OTS行為關鍵特征（中間隙態(tài)，MGS）的起源。

在此，華中科技大學徐明教授等人應用深度機器學習（ML）來揭示各種OTS材料中的底層物理機制，該方法可以大大縮短處理大量復雜數(shù)據(jù)的時間。作者采用多層感知器（MLP）學習和識別硫屬化物玻璃的結構特征，并建立了一個由1000個樣本組成的數(shù)據(jù)集來訓練和測試MLP模型。一個MLP模型由一個輸入層、幾個隱藏層和一個輸出層組成。輸入層是一組輸入神經(jīng)元，包括結構特征和分類標簽。作者設置了兩個隱藏層，每層有50個神經(jīng)元。

為了避免意外誤差，采用了交叉驗證方法并將總數(shù)據(jù)集隨機分為訓練集（80%）和測試集（20%），計算平均識別率作為測試分數(shù)。關于輸入特征，作者收集了短程有序（SRO）和中程有序（MRO）的六個結構參數(shù)作為輸入數(shù)據(jù)集。其中SRO由一個中心原子及其最近鄰組成，MRO包括第二近鄰且可由多個SRO特征組成。

圖1. 深度機器學習算法追蹤預測MGS

在使用這些特征訓練MLP模型后，作者發(fā)現(xiàn)該模型在識別新玻璃中的MGS 時準確率達到了約95%。作者評估了這些特征的重要性，確認配位數(shù)和同極鍵（特別是來自MRO）與MGS最相關。為了測試ML結果，作者在非晶模型中人為地制造了一些缺陷，并證實了打破全局8-N規(guī)則的MRO基元是MGS的主要結構起源。

基于這些發(fā)現(xiàn)，作者根據(jù)MRO配位數(shù)調整了MLP模型，并成功預測了其他幾種OTS材料中的MGS。盡管如此，目前仍需更多的訓練數(shù)據(jù)集才能將MLP模型應用于所有材料并預測OTS行為。總之，這項研究采用ML的方法成功地揭示了復雜硫屬化物玻璃中缺陷態(tài)的結構起源而無需昂貴的DFT計算，為先進半導體集成OTS材料和器件的設計鋪平了道路。

圖2. MLP模型在識別MGS方面的測試結果及特征重要性分析

Deep machine learning unravels the structural origin of mid-gap states in chalcogenide glass for high-density memory integration, InfoMat 2022. DOI: 10.1002/inf2.12315

原創(chuàng)文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/11/40d68eb984/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

華科徐明教授InfoMat: 機器學習揭示硫屬化物玻璃中間隙態(tài)的結構起源

相關推薦