相关实验视频
Updated: May 23, 2025
07:38
Author Spotlight: Modular Neuronal Networks for Analyzing Brain Functions
Published on: June 7, 2024
1.4K
加快聚合物自我一致场模拟和用深度神经网络进行反向DSA光刻
Haolan Wang1,2, Sikun Li1,2, Jiale Zeng1
1Department of Advanced Optical and Microelectronic Equipment, Shanghai Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Shanghai 201800, China.
The Journal of chemical physics
|March 10, 2025
概括
我们开发了一种深度学习方法,以加速自相一致的场理论 (SCFT) 模拟用于块共聚合物 (BCP) 自组装. 这种方法通过使用深度神经网络 (DNN) 来从早期模拟数据中预测平衡结构,显著减少了计算时间.
科学领域:
- 聚合物科学 聚合物科学
- 计算化学的计算化学
- 材料科学 材料科学 材料科学
背景情况:
- 自相一致的场理论 (SCFT) 对于研究块共聚合物 (BCP) 自组装至关重要.
- 在计算上,SCFT模拟是昂贵的,这阻碍了需要广泛前向模拟的应用程序.
研究的目的:
- 通过基于深度学习的方法加速SCFT模拟.
- 为了降低BCP自组装研究的计算成本.
- 为了提高BCP自组装中反向设计问题的效率.
主要方法:
- 一个深度神经网络 (DNN) 被训练来从早期的SCFT代输出中预测平衡聚合物结构.
- 在反向设计方法中,DNN模型取代了计算密集型前向模拟.
- 该方法在2D和3D散装系统上得到了验证,并应用于反向定向自组装光刻法.
主要成果:
- DNN从有限的SCFT代中准确预测平衡状态,显著减少模拟时间.
- 初始SCFT代的数量可以优化以实现速度准确性权衡.
- 训练集大小影响了DNN的性能,为成本效益高的数据集生成提供了指导.
- 通过DNN加速反向设计方法提高了100倍的效率,消除了SCFT模拟.
结论:
- 深度学习提供了一种强大的策略,可以加速SCFT模拟用于BCP自组装.
- 这种方法大大减少了对前向和反向设计问题的计算需求.
- 这种方法有助于更有效地探索复杂的聚合物自组装现象和材料设计.
