97色蜜桃,亚洲爱婷婷色婷婷五月,免费无码又爽又黄又刺激网站

3D半導體集成技術的最新發展需要一個關鍵部件，即雙向閾值開關（OTS）選擇器來抑制高密度存儲芯片中的電流泄漏。然而，現有OTS材料性能不盡如人意。通常由硫屬化物玻璃制成的OTS材料發展緩慢，主要歸因于對其電子結構的了解不足。由于無序系統的第一性原理計算量很大，目前還缺乏一種通用的理論來解釋導致OTS行為關鍵特征（中間隙態，MGS）的起源。

在此，華中科技大學徐明教授等人應用深度機器學習（ML）來揭示各種OTS材料中的底層物理機制，該方法可以大大縮短處理大量復雜數據的時間。作者采用多層感知器（MLP）學習和識別硫屬化物玻璃的結構特征，并建立了一個由1000個樣本組成的數據集來訓練和測試MLP模型。一個MLP模型由一個輸入層、幾個隱藏層和一個輸出層組成。輸入層是一組輸入神經元，包括結構特征和分類標簽。作者設置了兩個隱藏層，每層有50個神經元。

為了避免意外誤差，采用了交叉驗證方法并將總數據集隨機分為訓練集（80%）和測試集（20%），計算平均識別率作為測試分數。關于輸入特征，作者收集了短程有序（SRO）和中程有序（MRO）的六個結構參數作為輸入數據集。其中SRO由一個中心原子及其最近鄰組成，MRO包括第二近鄰且可由多個SRO特征組成。

圖1. 深度機器學習算法追蹤預測MGS

在使用這些特征訓練MLP模型后，作者發現該模型在識別新玻璃中的MGS 時準確率達到了約95%。作者評估了這些特征的重要性，確認配位數和同極鍵（特別是來自MRO）與MGS最相關。為了測試ML結果，作者在非晶模型中人為地制造了一些缺陷，并證實了打破全局8-N規則的MRO基元是MGS的主要結構起源。

基于這些發現，作者根據MRO配位數調整了MLP模型，并成功預測了其他幾種OTS材料中的MGS。盡管如此，目前仍需更多的訓練數據集才能將MLP模型應用于所有材料并預測OTS行為。總之，這項研究采用ML的方法成功地揭示了復雜硫屬化物玻璃中缺陷態的結構起源而無需昂貴的DFT計算，為先進半導體集成OTS材料和器件的設計鋪平了道路。

圖2. MLP模型在識別MGS方面的測試結果及特征重要性分析

Deep machine learning unravels the structural origin of mid-gap states in chalcogenide glass for high-density memory integration, InfoMat 2022. DOI: 10.1002/inf2.12315

原創文章，作者：v-suan，如若轉載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/11/40d68eb984/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

華科徐明教授InfoMat: 機器學習揭示硫屬化物玻璃中間隙態的結構起源

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

華科徐明教授InfoMat: 機器學習揭示硫屬化物玻璃中間隙態的結構起源

相關推薦