Nov, 2023

利用扫描透射电子显微镜学习和控制石墨烯中硅掺杂的转变

PDF
TL;DR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。
machine learningtransition dynamicssilicon atomsscanning transmission electron microscopeneural network
发现论文，激发创造
  • 为硅开发通用的原子间位能机器学习模型

    本文提出了一种使用基于机器学习思想的高斯近似势的方法，成功地对硅材料进行了量子力学计算，从而在材料领域实现了第一性原理电子结构计算与机器学习的结合。

    May, 2018

  • 扫描透射电子显微镜自动实验的深度学习

    本论文探讨了在电子显微镜中使用机器学习来进行数据分析和优化工作流程的挑战，并讨论了人类科学家和机器学习在实验工作流程中的相对贡献以及开发通用超级语言的需求。

    Apr, 2023

  • 应用机器学习模型预测器件电气性能的度量数据分析

    摘要：本研究使用了 imec N14 BEOL 工艺流程以及 LELE 图案技术，在半导体设备制造中分析和控制叠加误差，研究其对电容的影响，并探索在早期阶段使用机器学习模型预测最终电容测量结果的方法。

    Nov, 2023

  • 二维电子气背景电势估计的机器学习方法

    利用扫描门显微术（SGM）以及三种不同的机器学习技术来估计 2D 电子气背景势能，研究着重于以进化搜索算法为基础的缺陷分析，为量子材料的探测提供了一种新的方法。

    Oct, 2023

  • 机器学习辅助和实时反馈控制的 InAs/GaAs 量子点生长

    本文研究基于机器学习和反射高能电子衍射技术，建立了一个在原位快速优化气相外延生长量子点的方法，可以显著加快表面形态优化过程并提高 MBE 生长的可再现性。

    Jun, 2023

  • 通过温和的电子 - 声子谱函数深度学习加速超导体发现

    整合深度学习与寻找新的电声子超导体的研究代表了一个蓬勃发展的领域，其中主要挑战在于计算电声子谱函数 α²F (ω)，超导理论 Midgal-Eliashberg 的主要组成部分。为了克服这一挑战，我们采用两步法，首先计算 818 种动态稳定材料的 α²F (ω)，然后使用一种非常规的训练策略训练一个深度学习模型 BETE-NET 来预测 α²F (ω)，并通过增加模型的归一化改进预测。此外，我们还将声子密度的领域知识结合到模型的节点属性中，提高预测精度。该方法的创新降低了临界温度 $T_c$ 的平均绝对误差（MAE）至 2.1K，对高温超导体材料的高通量筛选展示了实际应用。BETE-NET 在加速高温超导体的搜索同时为材料发现中应用机器学习树立了先例，特别是在数据有限的情况下。

    Jan, 2024

  • 扫描电子显微镜图像中的自动半导体缺陷检测：系统综述

    半导体材料和器件中检测缺陷的高效准确方法需求日益增长。这篇文章通过对 38 篇相关研究论文进行系统回顾，全面总结了基于扫描电子显微镜图像的自动化半导体缺陷检测的现状，包括最新创新和发展，提供了方法的综合概述和分析，并对未来工作提出了有希望的方向。

    Aug, 2023

  • 硅中电子自旋的单次读出

    本文报道了首次单次读出硅中电子自旋的实验证明，该实验在当前微电子技术中也已成为可能，这个重要的成果进一步推进了利用硅材料研发新一代量子计算和自旋电子器件的进程。

    Mar, 2010

  • 基于人工神经网络的石墨烯可靠机器学习势

    本文介绍了一种基于神经网络的分子动力学模拟与机器学习结合的方法，用于准确计算和预测石墨烯的热力学性质和力学性能，从而可用于石墨烯材料的设计。

    Jun, 2023

  • 机器学习加速的模拟使得无启发式表面重建成为可能

    使用机器学习插值位能函数和 Markov-chain Monte Carlo 采样方法，加快了多组分材料表面相图预测中的能量和统计抽样方法，可模拟复杂的材料表面并发现以前未报告的表面终止。

    May, 2023