پیش بینی فاصله ای باند با یادگیری عمیق در گرافن دوپ شده با بور

به خوبی شناخته شده است که پیکره بندی در مقیاس اتمی و مقیاس نانو مواد ناخالص می تواند نقش مهمی در تعیین خواصالکترونیکی مواد داشته باشد. با این حال، پیش بینی چنین اثراتی به دلیل گستره وسیعی از پیکربندی های آتمی چالش برانگیز است. دراینجا، ما یک مطالعه موردی ارائه می کنیم که چگونه الگوریتم های یادگیری عمیق می توانند فاصله باند را در گرافن دوپ شده با بوربا پیکربندی های سوپرسل دلخواه پیش بینی کنند. یک توصیفگر ماده که همبستگی ساختار و شکاف باند را ممکن می سازد برایشبکه های عصبی کانولوشن توسعه داده خواهد شد. فاصله باند محاسبه شده توسط محاسبات از ابتدا و ساختارهای مربوطه، به عنوانمجموعه داده های آموزشی استفاده می شود. سپس از شبکه های آموزش دیده برای پیش بینی فاصله باند سیستم با پیکربندیمختلف استفاده می شود. این کار مسیری را برای تحقیقات آتی در مورد گرافن دوپ شده با بور و سایر مواد دو بعدی هموار خواهدکرد. علاوه بر این، با توجه به وجود پیکربندی های موجود در موا این کار ممکن است علاقه به استفاده از الگوریتم های یادگیریعمیق برای طراحی پیکربندی مواد در مقیاس های طولی مختلف را منجر شود.

کلیدواژه ها:

گرافن ، ماشین لرنینگ ، پردازش تصویر