机器学习辅助的高通量预测和高响应性极紫外线探测器的实验验证

科学领域:

• 光电学是指光电子产品.
• 材料科学 材料科学 材料科学
• 机器学习 机器学习

背景情况:

• 识别具有最佳光电子性能的材料对于设备工程至关重要.
• 专业研究领域,如极紫外线 (EUV) 辐射检测,往往缺乏用于机器学习的广泛材料数据集.
• 现有的机器学习模型在利基研究领域的数据稀缺问题上扎.

研究的目的:

• 开发一个预测框架,用于识别在EUV辐射检测中具有卓越性能的材料.
• 利用现有的可见光和紫外线 (UV) 光响应数据来预测EUV材料性能.
• 加速用于各种光谱应用的新型光电子材料的发现.

主要方法:

• 开发了一种使用极端随机树的跨光谱响应预测框架.
• 相关的物理材料描述符在可见,UV和EUV光谱区域具有性能.
• 利用1927年材料样本的综合数据集进行模型培训和验证.

主要成果:

• 确定了有前途的EUV检测材料,包括α-MoO₃,MoS₂,ReS₂,PbI₂和SnO_2.
• 在已识别的材料中实现了高响应度 (2060 A/W),明显超过光二极管 (约225倍).
• 蒙特卡洛模拟表明,与相比,这些材料的电子生成率翻了一番.

结论:

• 跨光谱响应预测框架有效地加速了高性能光电子材料的发现.
• 实验验证证了该框架能够预测和识别用于先进EUV传感的材料的能力.
• 这种方法有可能在广泛的光谱应用中发现材料.