模拟使用长短期记忆 (LSTM) 网络的体CdS量子点的温度依赖光发光学动力学
Ivan Malashin1, Daniil Daibagya1,2, Vadim Tynchenko1
1Center for Continuing Education, Bauman Moscow State Technical University, 105005 Moscow, Russia.
Materials (Basel, Switzerland)
|October 26, 2024
概括
这项研究使用长短期记忆 (LSTM) 网络在硫化物 (CdS) 量子点中建模了温度依赖的光发光. 开发的LSTM模型准确地预测了随着温度变化而发生的光发光波动.
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
- 量子点技术 量子点技术是一种量子点技术.
背景情况:
- 体量子点 (QD) 的光发光 (PL) 特性对温度变化敏感.
- 传统的建模方法很难准确地捕捉这些依赖温度的波动.
- 硫化 (CdS) QDs 随着温度的变化,PL 呈现显著的变化,影响其应用.
研究的目的:
- 在CdS QD中开发温度依赖光发光的预测模型.
- 利用长短期内存 (LSTM) 网络进行准确的PL趋势预测.
- 解决传统建模技术在捕捉动态PL行为方面的局限性.
主要方法:
- 收集了PL强度和温度的实验时间序列数据.
- 在这些实验数据上训练了一个长期短期记忆 (LSTM) 神经网络.
- 进行了数值模拟,以评估模型的预测性能.
主要成果:
- 基于LSTM的模型成功预测了不同温度的光发光趋势.
- 该模型在捕捉温度和PL强度之间的复杂关系方面表现出高准确度.
- 该研究验证了LSTM网络在材料科学中的时间序列分析的有效性.
结论:
- 在CdS QD中,LSTM网络提供了一个有效的解决方案,用于模拟CdS QD中的温度依赖光发光.
- 这种预测能力可以提高光电子设备的性能和可靠性.
- 该方法为推进基于量子点传感器的设计和应用提供了潜力.
