یادگیری ماشین

گاف انرژی یک پارامتر مهم در تعیین عملکرد نیمه‌هادی‌ها برای کاربردهای اپتیکی، میکروالکترونیک و فتوولتائیک است [۱ و ۲]. در نتیجه، تلاش قابل توجهی در جهت توسعه روش‌های نظری مناسب برای محاسبه فراگیر این ویژگی الکترونیکی انجام شده است. در طول چند دهه‌ گذشته، شبیه‌سازی‌های مبتنی بر مکانیک کوانتمی به طور گسترده‌ای برای محاسبه گاف انرژی و دیگر خواص الکترونیکی تعداد زیادی از مواد مورد استفاده قرار گرفته‌اند که منجر به ایجاد پایگاه‌های بزرگ داده‌های مواد شده است [۳-۸]. این پایگاه‌های داده در حال رشد، بسترهای مناسبی برای ظهور روش‌های جدید مدل‌سازی مواد با استفاده از رویکردهای داده‌محور فراهم می‌کنند [۹-۱۱]. استفاده از یادگیری ماشین (ML) [۱۲] و هوش مصنوعی [۱۳] به عنوان ابزارهای کارآمد برای پیش‌بینی خواص مواد به طور فزاینده‌ای در حال افزایش است. مهم‌ترین ویژگی هر مدل ML برای پیش‌بینی خواص مواد، رمزگذاری مناسب ویژگی‌های مواد از جمله ترکیب شیمیایی و ساختار بلوری است [۱۴]. هدف ما ارزیابی عملکرد و شناسایی دامنه کاربرد ML برای پیش‌بینی گاف نواری نیمه‌رساناها و عایق‌ها با استفاده از کلاس‌های مختلف ویژگی‌های ساختاری است. اهمیت ویژه این تحقیق، پتانسیل آن برای تولید یک مدل ML قابل انتقال برای پیش‌بینی قابل اعتماد گاف نواری نظری نیمه‌رساناها و عایق‌ها است. به عبارت دیگر، این مدل، ان‌شاءالله، محدود به مجموعه داده‌های خاص یا ساختارهای منحصربه‌فردی نیست. برای رسیدن به این هدف، به دنبال سه مولفه اصلی خواهیم بود: بهترین ترکیب از ویژگی‌های مقدماتی، کارآمدترین ویژگی‌های ساختاری و گسترده‌ترین حوزه کاربرد برای پیش‌بینی گاف نواری نظری مواد با استفاده از یادگیری ماشین.

[1] S. Sze et al., Physics of semiconductor devices (John Wiley & Sons, Ltd, 2006).
[2] D. Neamen, Semiconductor physics and devices (McGraw-Hill Higher Education, 2011).
[3] S. P. Huber et al., Sci. Data 7, 1 (2020).
[4] C. Draxl et al., J. Phys. Mater. 2, 036001 (2019).
[5] S. Curtarolo et al., Comp. Mat. Sci. 58, 218 (2012).
[6] L. Talirz et al., Sci. Data 7, 1 (2020).
[7] A. Jain et al., APL Mater. 1, 011002 (2013).
[8] S. Kirklin et al., npj Comput. Mater. 1, 1 (2015).
[9] K. T. Butler et al., Nature 559, 547 (2018).
[10] J. Schmidt et al., npj Comput. Mater. 5, 1 (2019).
[11] E. N. Muratov et al., Chem. Soc. Rev. 49, 3525 (2020).
[12] A. P. Bartók et al., Sci. Adv. 3, e1701816 (2017).
[13] V. Tshitoyan et al., Nature 571, 95 (2019).
[14] A. P. Bartók et al., Phys. Rev. B 87, 184115 (2013