উপাদান পৃষ্ঠতল বৈশিষ্ট্যের জন্য নভেল মেশিন লার্নিং মডেল

চমৎকার বৈশিষ্ট্য সহ নতুন উপকরণগুলির নকশা এবং বিকাশের জন্য তাদের পারমাণবিক এবং বৈদ্যুতিন কাঠামোর একটি বিস্তৃত বিশ্লেষণ প্রয়োজন। ইলেক্ট্রন শক্তির পরামিতি যেমন আয়নাইজেশন পটেনশিয়াল (আইপি) (ভ্যালেন্স ব্যান্ড থেকে একটি ইলেক্ট্রন সরানোর জন্য প্রয়োজনীয় শক্তি) এবং ইলেক্ট্রন অ্যাফিনিটি (EA) (একটি ইলেকট্রন সর্বনিম্ন পরিবাহী ব্যান্ডের সাথে সংযুক্ত হলে যে শক্তি মুক্তি পায়) সেমিকন্ডাক্টর সম্পর্কে গুরুত্বপূর্ণ তথ্য প্রকাশ করে, ইনসুলেটর এবং ডাইলেকট্রিক্সের পৃষ্ঠে ইলেকট্রনিক ব্যান্ডের কাঠামোর তথ্য। এই ধরনের অ-ধাতব পদার্থে IP এবং EA এর সঠিক অনুমান আলোক সংবেদনশীল ডিভাইস এবং অপটোইলেক্ট্রনিক ডিভাইসে কার্যকরী পৃষ্ঠ এবং ইন্টারফেস হিসাবে তাদের উপযুক্ততা নির্দেশ করতে পারে।

তদুপরি, আইপি এবং ইএ পৃষ্ঠের কাঠামোর উপর ব্যাপকভাবে নির্ভর করে, যা তাদের জটিল পরিমাপ প্রক্রিয়ায় অন্য মাত্রা যোগ করে। আইপি এবং ইএ-এর ঐতিহ্যগত গণনার মধ্যে সুনির্দিষ্ট প্রথম-নীতির গণনার ব্যবহার জড়িত যেখানে বাল্ক এবং সারফেস সিস্টেম আলাদাভাবে পরিমাপ করা হয়। এই সময়-সাপেক্ষ প্রক্রিয়াটি অনেক পৃষ্ঠের জন্য IP এবং EA পরিমাপ করতে ব্যর্থ হয়, তাই গণনাগতভাবে দক্ষ পদ্ধতির প্রয়োজন হয়।

ধাতব কঠিন পদার্থে আইপি এবং ইএ পরিমাপকে প্রভাবিত করে এমন বিস্তৃত সমস্যাগুলির সমাধানের জন্য, অধ্যাপক ফুমিয়াসু ওবার নেতৃত্বে টোকিও ইনস্টিটিউট অফ টেকনোলজি (টোকিও টেক) এর বিজ্ঞানীদের একটি দল মেশিন লার্নিং (এমএল) এর দিকে মনোনিবেশ করেছে।তাদের গবেষণার ফলাফল প্রকাশিত হয় ১৯৯৬ সালেআমেরিকান কেমিক্যাল সোসাইটির জার্নাল.

প্রফেসর ওবা বর্তমান গবেষণার পিছনে অনুপ্রেরণা শেয়ার করেছেন, “সাম্প্রতিক বছরগুলিতে, মেশিন লার্নিং বস্তুগত বিজ্ঞান গবেষণায় ব্যাপক মনোযোগ অর্জন করেছে। তদ্ব্যতীত, সুনির্দিষ্ট তাত্ত্বিক গণনা ব্যবহার করে বড় ডেটা সেটগুলিকে প্রশিক্ষণ দেওয়ার ক্ষমতা গুরুত্বপূর্ণ পৃষ্ঠ বৈশিষ্ট্য এবং তাদের কার্যকরী প্রভাবগুলির সফল ভবিষ্যদ্বাণী করার অনুমতি দেয়।”

গবেষকরা কৃত্রিম নিউরাল নেটওয়ার্ক ব্যবহার করে রিগ্রেশন মডেল তৈরি করেছেন যা সংখ্যাসূচক ইনপুট ডেটাতে পারমাণবিক অবস্থানের (SOAP) মসৃণ ওভারল্যাপিংকে অন্তর্ভুক্ত করে। তাদের মডেল বাল্ক ক্রিস্টাল স্ট্রাকচার এবং সারফেস টার্মিনেশন প্লেন থেকে তথ্য ব্যবহার করে বাইনারি অক্সাইড পৃষ্ঠের আইপি এবং ইএ সঠিকভাবে এবং দক্ষতার সাথে ভবিষ্যদ্বাণী করে।

উপরন্তু, মেশিন লার্নিং-ভিত্তিক ভবিষ্যদ্বাণীমূলক মডেলগুলি “ট্রান্সফার লার্নিং” এর মধ্য দিয়ে যেতে পারে, যেখানে একটি নির্দিষ্ট উদ্দেশ্যে তৈরি করা একটি মডেল একটি আপডেট করা ডেটা সেটের সাথে একত্রিত করা যেতে পারে এবং অন্যান্য কাজে পুনরায় প্রয়োগ করা যেতে পারে। বিজ্ঞানীরা মডেলের মধ্যে একাধিক ক্যাটেশনের প্রভাবকে “শিখার যোগ্য” SOAP তৈরি করে অন্তর্ভুক্ত করেছেন এবং ট্রান্সারি অক্সাইডের আইপি এবং ইএ পূর্বাভাস দিতে ট্রান্সফার লার্নিং ব্যবহার করেছেন।

অধ্যাপক ওবা উপসংহারে এসেছিলেন: “আমাদের মডেলটি অক্সাইডগুলির পৃষ্ঠের বৈশিষ্ট্যগুলির পূর্বাভাসের মধ্যে সীমাবদ্ধ নয়, তবে অন্যান্য যৌগ এবং তাদের বৈশিষ্ট্যগুলি অধ্যয়নের জন্যও প্রসারিত করা যেতে পারে।”