机器学习通过机械控制的断裂连接器预测原子金线的形成
Aishwaryo Ghosh1, Biswajit Pabi1, Atindra Nath Pal1
1S.N. Bose National Centre for Basic Sciences, JD Block, Sector III, Salt Lake, Kolkata 700106, India. atin@bose.res.in.
Nanoscale
|October 17, 2023
概括
这项研究使用机器学习来分析原子结实验,确定形成稳定的原子链的最佳条件,并了解它们在分子水平上的行为.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算化学计算化学
背景情况:
- 在断裂连接实验中形成稳定,长的单原子链是一个重大挑战.
- 了解控制原子链形成的微观因素对于纳米电子技术的进步至关重要.
研究的目的:
- 在断裂连接实验中发展对原子电线形成的微观理解.
- 确定创建稳定,长单原子链 (> 4 Å) 的最佳实验条件.
- 为了分类导电性痕迹,并识别与长链形成相关的特征.
主要方法:
- 将无监督和监督机器学习模型应用于导电位移痕迹的大数据集.
- 在单原子结的实验数据上的训练模型.
- 使用深度学习来进行痕迹分类.
- 采用初始分子动力学模拟来获得分子层面的洞察力.
主要成果:
- 确定最佳偏差和拉伸速率条件,以形成长于4 Å的原子链.
- 断裂痕迹的分类,揭示了长链形成的关键特征.
- 机器学习模型在两个独立的实验数据集上成功训练.
结论:
- 机器学习为分析原子结合研究中的复杂实验数据提供了强大的工具.
- 这项研究为影响稳定的原子链形成的因素提供了更深入的分子层面的理解.
- 这项研究为在断裂连接实验中更好地控制原子电线制造铺平了道路.
相关概念视频
02:27Predicting Molecular Geometry
34.4K
VSEPR Theory for Determination of Electron Pair Geometries
34.4K
01:27Biasing of Metal-Semiconductor Junctions
261
Biasing metal-semiconductor junctions involves applying a voltage across the junction. Specifically, the metal is connected to a voltage source, while the semiconductor is grounded. This technique is essential for controlling the direction and magnitude of current flow in electronic devices, including diodes, transistors, and photovoltaic cells.
In Schottky junctions, where the semiconductor is n-type, applying a positive voltage to the metal relative to the semiconductor reduces its Fermi...
In Schottky junctions, where the semiconductor is n-type, applying a positive voltage to the metal relative to the semiconductor reduces its Fermi...
261