采用机器学习混合卷积和视觉变换器模型，利用反射高能电子衍射视频作为输入，确定基片的氧化状态作为输出，实现了可控架构下的自动化基片脱氧，扩展了脱氧工艺在其他基片上的成功应用，对多种设备和基片材料的脱氧温度进行了标准化，推动了半导体制备中的标准化研究进程，对于光电子和微电子行业的半导体制造具有重大意义。

Dec, 2023

本文介绍了一种基于机器学习的算法，使用少量粗粒度测量值作为输入，将量子点系统调整到预选的电荷状态，为自动调整量子点 qubit 迈出了关键一步。作者还将该算法在 GaAs 双量子点器件上进行了训练和测试，并成功将系统成功调整到预期状态或其相邻区域。

Dec, 2019

这项研究使用机器学习模型，通过使用合成特征作为输入数据集，对 CsPbCl3 PQDs 的尺寸、吸收性和光致发光性进行预测。虽然所有模型都表现出高准确性的结果，但支持向量回归（SVR）和最近邻距离（NND）在测试和训练数据集上表现出最佳的属性预测性能，具有较高的 R2 值、较低的均方根误差（RMSE）和较低的平均绝对误差（MAE）度量值。鉴于机器学习的优越性愈发凸显，其在领域中的理解能力可能对纳米材料设计的未来产生重要影响。

Jun, 2024

通过利用原位光学图像识别可见的宏观缺陷状态特征，本文详细介绍了利用语义分割方法进行缺陷分割的方法，并采用基于 YOLOV3 和 DeeplabV3plus 架构的深度学习算法，在钻石生长的过程中取得了很好的准确性。

Apr, 2024

我们提出了强化学习来控制补丁颗粒的动力自组装十二边形准晶体（DDQC）。研究发现，通过训练温度控制的最佳策略，我们能够使用估计的策略生成缺陷较少的 DDQC。与传统的固定温度表如退火等相比，通过强化学习获得的温度计划能更高效地复现所需的结构。同时，我们发现强化学习能够自主地发现结构波动增强实现全局稳态的临界温度。估计的策略引导系统朝向临界温度以促进 DDQC 的形成。

Sep, 2023

本文提出了一种基于机器学习的全局优化框架，以设计光子器件。该方法使用对抗自动编码器和元启发式优化框架，通过物理传递的压缩设计空间工程，提高了元器件配置的优化搜索效率，并可以揭示器件的光学性能的物理基础。

Jul, 2020

我们引入了一种机器学习方法来确定在扫描透射电子显微镜（STEM）的电子束刺激下，硅原子在单层碳原子上的过渡动力学。我们的方法是以数据为中心的，利用在 STEM 上收集的数据。处理和过滤数据样本以生成符号表示，然后使用神经网络来预测过渡概率。这些学习到的过渡动力学然后被用来引导单个硅原子在晶格上移动到预先确定的目标位置。我们提供经验证明我们方法的高效性和普适性的经验分析。

Nov, 2023

自动化调谐方法对于解决当前的挑战是至关重要的，其中关键的问题包括数据集、基准测试和标准化。我们介绍了量子点设备调谐和操作的自动化挑战，并概述了量子点社区提出的应对方法。

Dec, 2023

通过使用机器学习方法，自动调节半导体自旋量子比特的电荷，以实现量子点技术的规模化，该方法利用人工神经网络识别稳定图中的噪声转变线路，引导鲁棒的探索策略，并成功应用于不同类型的单量子点技术，成功调谐率超过 99％。

Jun, 2024

利用机器学习算法的自动化测量方法可以提高量子系统的测量效率，并为大型量子电路的自动化控制打下基础。

Oct, 2018