Apr, 2024

一种自动机器学习方法用于喷墨打印组件分析：迈向智能添加制造的一步

PDF
TL;DR本研究提出了一种基于机器学习的架构，用于对柔性基板上喷墨打印的元件进行微波表征。通过使用多个机器学习算法并自动选择最佳算法来提取材料参数（墨水电导率和介电性能），并利用喷墨打印共面波导（CPW）材料参数与电磁仿真传播常数之间的相互依赖关系训练机器学习模型，然后利用这些机器学习模型和测得的传播常数提取测试样机的墨水电导率和介电性能，最后通过比较四种启发式机器学习模型，证明了 eXtreme Gradient Boosted Trees Regressor（XGB）和 Light Gradient Boosting（LGB）算法在研究中的表征问题中表现最佳。
发现论文，激发创造
  • 3D 打印时间序列数据分类方法评估

    本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

    Oct, 2020

  • 可解释机器学习以实现掺杂共轭聚合物高通量电导率优化

    借助高通量实验技术和机器学习的结合，提出了一种利用吸收光谱进行电导率测量的机器学习方法，实现了对材料电导率的加速测量，极大提高了测量效率并获得了有价值的洞察力。

    Aug, 2023

  • 基于前期研究数据的数据驱动研究：使用机器学习预测材料挤压表面粗糙度的初步研究

    该研究旨在避免使用大型实验计划来优化材料挤出中的表面粗糙度。通过使用机器学习模型，该研究提供了一种数据驱动的预测建模方法来自动预测基于文献和实验数据的表面粗糙度。研究结果表明，该方法在预测挤出式打印的表面粗糙度方面具有竞争力的结果。

    Jun, 2024

  • 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

  • 金属增材制造中覆盖层特性预测的混合机器学习框架

    研究使用机器学习技术结合多物理计算流体动力学模型和实验数据来预测金属添加制造过程中材料的特性和加工参数的影响，创造性地解决了数据稀缺的问题并提出了一个高效、准确和可扩展的预测和优化模型。

    Jul, 2023

  • 机器学习在金属增材制造中用于机械性能预测

    本文介绍了一种基于机器学习的综合框架，用于金属增材制造过程中机械性能的预测，并提出了利用 SHAP 分析对机器学习模型预测结果进行解释和解读的方法，同时比较了数据驱动的显式模型相对于机器学习模型更具可解释性。

    Aug, 2022

  • 功能梯度材料的增材制造机器学习方法综述

    通过机器学习优化处理参数、提高产品质量和检测制造缺陷的方式，提供了有关功能分级材料 (FGMs) 和 3D 打印的相关文献综述，并概述了机器学习方法在定向能量沉积和 FGMs 制造中的应用。

    Sep, 2023

  • 一种自适应的人在环节下的增材制造过程排放检测方法和计算机视觉主动学习

    该论文提出了一种自适应人机交互方法，利用机器学习技术自动检测和注释增材制造过程中生成的排放数据，具体来说，论文探讨了使用卷积神经网络（CNNs）自动检查和分类原位监测收集的排放数据，以及应用主动学习技术构建人机交互机制来加速排放数据的标注过程。

    Dec, 2022

  • 一般性用途的无机材料属性预测机器学习框架

    该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

    Jun, 2016

  • 利用机器学习从材料属性估计电子能带带隙能量

    利用机器学习技术估计电子带隙能量并基于可量化的实验性质预测材料的带隙类别。通过将数据集分成多个聚类群组，提出了一种改进简单回归分类模型性能的方案，从而在材料科学中比较基于机器学习的模型。该方法在新的评估指标下显示出更好的性能，无需 DFT 计算或材料结构的先验知识。

    Mar, 2024