پيش بيني فاصله اي باند با يادگيري عميق در گرافن دوپ شده با بور

Band gap prediction with deep learning in boron-doped graphene

به خوبي شناخته شده است كه پيكره بندي در مقياس اتمي و مقياس نانو مواد ناخالص مي تواند نقش مهمي در تعيين خواص الكترونيكي مواد داشته باشد. با اين حال، پيش‌بيني چنين اثراتي به دليل گستره وسيعي از پيكربندي‌هاي اتمي چالش برانگيز است. در اينجا، ما يك مطالعه موردي ارائه مي‌كنيم كه چگونه الگوريتم‌هاي يادگيري عميق مي‌توانند فاصله باند را در گرافن دوپ شده با بور با پيكربندي‌هاي سوپرسل دلخواه پيش بيني كنند. يك توصيفگر ماده كه همبستگي ساختار و شكاف باند را ممكن مي‌سازد براي شبكه‌هاي عصبي كانولوشن توسعه داده خواهد شد. فاصله باند محاسبه شده توسط محاسبات از ابتدا و ساختارهاي مربوطه، به عنوان مجموعه داده هاي آموزشي استفاده مي شود. سپس از شبكه هاي آموزش ديده براي پيش بيني فاصله باند سيستم با پيكربندي مختلف استفاده مي شود. اين كار مسيري را براي تحقيقات آتي در مورد گرافن دوپ شده با بور و ساير مواد دو بعدي هموار خواهد كرد. علاوه بر اين، با توجه به وجود پيكربندي‌هاي موجود در مواد، اين كار ممكن است علاقه به استفاده از الگوريتم‌هاي يادگيري عميق براي طراحي پيكربندي مواد در مقياس‌هاي طولي مختلف را منجر شود.