通过使用优化合体学习模型,提高了薄金属膜光学性能的预测和优化

科学领域:

• 材料科学 材料科学 材料科学
• 光学工程是指光学工程.
• 人工智能的人工智能

背景情况:

• 薄金属薄膜对于传感器,光电子和光伏等先进技术至关重要.
• 优化这些膜的光学特性 (透射率,反射率,吸收率) 是具有挑战性的,因为组成,厚度和制造之间的复杂关系.
• 精确预测光学特征对于高效的材料设计和设备性能至关重要.

研究的目的:

• 开发和验证人工智能驱动的框架,用于同时预测和优化薄金属膜的光学特性.
• 探索各种机器学习模型的有效性,包括组合方法和多任务学习,用于此任务.
• 为实时光学属性预测和材料表征提供一个用户友好的,可部署的工具.

主要方法:

• 使用了1320个实验测量样本的金,,,锡,铜和膜 (200-2000nm波长) 的数据集.
• 集合模型 (随机森林,梯度增强,XGBoost,额外树木) 和一个多任务学习模型使用GridSearchCV进行了训练和优化,并进行了分层K折交叉验证.
• 进行了特征重要性分析,并通过基于Web的GUI部署了表现最佳的模型.

主要成果:

• CatBoost Regressor模型表现出卓越的性能,在所有光学属性中平均达到R2 = 0.99928,MAE = 0.21924和MSE = 0.28203的高精度.
• 特性重要性分析表明,材料类型的预测影响略大于波长.
• 对特定材料的错误分析确定了光谱极端的具有挑战性的预测区域,指导了进一步的改进.

结论:

• 由人工智能驱动的框架为人工智能辅助的材料设计和薄金属薄膜的光学表征提供了一个可扩展,可解释和可部署的解决方案.
• 这种数据驱动的方法可以通过快速识别和增强材料属性来显著加快优化过程.
• 开发的工具促进了对薄金属薄膜的设计空间的高效探索,有利于传感器,光电子和光伏应用.