用机器学习进行金属核心特定选:加速发现金属氧化物集群以提高EUV刻版分辨率
Fang-Ling Yang1, Zong-Biao Ye1, Yu-Qi Chen1
1Key Laboratory of Radiation Physics and Technology, Ministry of Education, Institute of Nuclear Science and Technology, Sichuan University, No. 24 South Section 1, Yihuan Road, 610065 Chengdu, People's Republic of China.
The journal of physical chemistry letters
|December 25, 2024
概括
机器学习通过预测电离潜力,加速发现有效的极紫外线光刻 (EUVL) 材料. 这种方法识别了新的EUVL化合物,并为商业应用提供了结构-属性关系的见解.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学计算化学
- 纳米技术 纳米技术
背景情况:
- 开发有效的极紫外线光刻 (EUVL) 材料至关重要,但由于耗时且昂贵的实验和理论方法,它面临着挑战.
- 加快商业EUVL材料的发现需要超越传统技术的创新方法.
研究的目的:
- 使用机器学习 (ML) 来预测潜在EUVL材料的电离潜力,这是光电阻性能的关键属性.
- 开发一种通用ML模型,能够预测含有各种金属的新型EUVL材料.
主要方法:
- 利用机器学习技术构建了EUVL材料电离潜力的预测模型.
- 进行特征分析以确定影响电离潜力的关键结构描述因素.
主要成果:
- 开发了一个强大的ML模型,具有强大的概括能力,用于预测EUVL材料的电离潜力.
- 确定了键捐赠者的数量作为确定电离潜力的关键因素.
- 成功预测了新的EUVL材料,包括Mg,Cu,Ca,Cd和Ni等金属.
结论:
- 该研究提出了一种有效的ML模型来预测EUVL材料,这有助于发现过程.
- 为设计先进的EUVL化合物所必需的结构性质相关性提供了宝贵的见解.
- 将ML模型集成到一个可访问的在线平台中,用于用户友好的材料评估和发现.


