بررسی اثر عوامل موثر در سنتز نانوورقه های MoS۲ به روش رسوب دهی شیمیایی بخار با کمک روش یادگیری ماشین

سنتز نانوورقه های MoS۲، به عنوان یک ماده دوبعدی راهبردی در زمینه های الکترونیک و نانو فناوری، چالشی مهم در زمینه مهندسی مواد است. روش های معمول سنتز MoS۲ معمولا با محدودیت هایی همچون مقیاس پذیری و پیچیدگی های فرآیندی و آزمون و خطاهای فراوان برای دستیابی شرایط بهینه مواجه هستند. در این پژوهش، روش های نوینی از راهبرد یادگیری ماشین برای بررسی اثر عوامل موثر سنتز نانوورقه های MoS۲ که با استفاده از رسوب دهی شیمیایی بخار (CVD)، استفاده شده است. در این مقاله از روش های یادگیری آماری چندوظیفه ای به همراه مجموعه داده ها آماده شده از منابع و مراجع معتبر و شبیه سازی داده (Data Simulation, Generation) به منظور رفع مشکل کمبود داده آزمایشگاهی استفاده شده است؛ برای تفسیر پذیری بیشتر عوامل سنتز، کتابخانه (SHapley Additive exPlanations, SHAP) در مدل شبکه عصبی (ANN) استفاده شد. عوامل سنتزی که بعد از عملیات یادگیری و تطبیق با مدل های یادگیری نظارت شده، بیشترین تاثیر را بر ضخامت نانوورقه های سنتز شده دارد، میزان دمای کوره و پس از آن، جریان گاز حامل و با تاثیر کمتر، زمان واکنش است. مدل بهینه برای پیش بینی ضخامت لایه های نانوورقه های دی سولفید مولیبدن با استفاده از حدود ۱۲۰۰ داده شبیه سازی شده استفاده شد تا ضخامت بهینه برای سنتز نانوورقه های دی سولفید مولیبدن انتخاب شود. پارامترهای مدل کلاسه بندی به کمک ترکیب چهار شاخص accuracy، precision، f۱_score و مقدار recall ارزیابی شدند. در نتایج بدست آمده از خروجی مدل طراحی شده همراه با انجام روش های مختلفHyperparameter Tuning به دقت مطلوبی در حدود ۹۵ درصد رسید که با توجه به شاخص های مختلف رویکرد طبقه بندی (classification) که شامل (accuracy / recall ) تعریف شده است.

کلیدواژه ها:

رسوب دهی شیمایی فاز بخار ، یادگیری ماشین ، بهینه سازی ، ذخیره سازی انرژی ، نانوورقههای مولیبدن دی سولفید