亚洲字幕av一区二区三区四区,人亲久久精品天天中文字幕,魅影看b站直播可以吗手机

摻雜是調整金屬氧化物基半導體用于太陽能驅動光電化學（PEC）水分解的有效策略。盡管進行了廣泛的研究，摻雜劑的選擇仍然在很大程度上取決于試錯法。機器學習（ML）有望為高性能PEC系統的摻雜劑選擇提供可預測的見解，因為它可以揭示摻雜劑的大量特征與摻雜光電極的PEC性能之間的相關性。

在此，澳大利亞昆士蘭大學王連洲教授、王志亮博士及美國麻省理工學院孫世靜等人首次報道了應用ML研究摻雜劑選擇的關鍵標準，以改善光電極的PEC 響應。作者以赤鐵礦Fe₂O₃作為原型半導體候選物，采用從17種摻雜劑中獲取的數據（每種都包含五種獨特的摻雜劑濃度）訓練ML模型。

在ML研究中，采用10個內在特征（如原子序數、離子半徑、化學價等）和1個處理特征（摻雜劑濃度）作為描述符，并應用了六種不同的算法，包括基準線性回歸（LR）、隨機森林（RF）、梯度提升（GB）、支持向量回歸（SVR）、K近鄰回歸（KNN）和神經網絡（NN）。

圖1. 純/摻雜Fe₂O₃光陽極之間的光電流密度比較

作者基于k折交叉驗證，通過均方根誤差（RMSE）比較RF、GB、SVR、KNN和NN的模型性能，與基準LR方法相比，KNN、RF 和GB顯示出顯著的改進。其中，由于批次間的變化，RF模型的RMSE與實驗誤差的數量級相同。經過訓練的ML模型，作者成功預測了分別摻雜鑭（La）和釔（Y）的Fe₂O₃光陽極的電荷分離和轉移（CST）性能。

通過SHAP分析對這些描述符的重要性進行排序，作者發現化學態、離子半徑和金屬-氧（M-O）鍵形成焓是促進CST的三個最重要的摻雜劑選擇標準。此外，ML引導的摻雜劑選擇已進一步擴展到典型的基于 CuO的光電陰極設計，展示了這種數據驅動方法的普適性。

圖2. 基于SHAP的特征重要性分析

Machine Learning Guided Dopant Selection for Metal Oxide based Photoelectrochemical Water Splitting: The Case Study of Fe₂O₃and CuO, Advanced Materials 2021. DOI: 10.1002/adma.202106776

原創文章，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/2023/10/15/362114c06d/

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

王連洲/孫世靜/王志亮AM: 機器學習指導光電化學水分解的摻雜劑選擇

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

王連洲/孫世靜/王志亮AM: 機器學習指導光電化學水分解的摻雜劑選擇

相關推薦