Моделювання товщинних залежностей електричних параметрів та формування наноструктури у парофазних конденсатах сполук LAST за допомогою машинного навчання

Володимир Маковишин; Тарас Стисло; Олександр Іванов; Оксана Стисло

doi:10.15330/pcss.26.1.29-34

Автор(и)

Володимир Маковишин Університет Короля Данила, м. Івано-Франківськ, Україна
Тарас Стисло Університет Короля Данила, Івано-Франківськ, Україна
Олександр Іванов Університет Короля Данила, м. Івано-Франківськ, Україна
Оксана Стисло Університет Короля Данила, Івано-Франківськ, Україна

DOI:

https://doi.org/10.15330/pcss.26.1.29-34

Ключові слова:

машинне навчання, LAST, XGBoost

Анотація

У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів. Основну увагу приділено вивченню впливу товщини плівок та розмірів нанокристалітів на електропровідність та рухливість носіїв заряду. У статті вперше застосовано методи машинного навчання для прогнозування електричних параметрів на основі експериментальних даних. Для цього використовувалася модель XGBoost що дозволяє передбачати поведінку електропровідності та інших параметрів залежно від зміни товщини плівок, що сприяє підвищенню ефективності процесу їх формування. Результати дослідження показують, що правильна оптимізація параметрів осадження може значно покращити термоелектричні характеристики матеріалів, що важливо для застосування в енергетичних і електронних пристроях. Таким чином, стаття демонструє потенціал машинного навчання як інструмента для поліпшення технологічних процесів у виробництві наноструктурованих плівок сполук LAST.

Посилання

K.F. Hsu, S Loo., F. Guo, Chen W., J.S. Dyck, C. Uher, T. Hogan, E.K. Polychroniadis, M.G. Kanatzidis, Cubic AgPbmSbTe2-m: Bulk Thermoelectric Materials with High Figure of Merit, Science, 303(6), 818 (2004).

J. Sootsman, R. Pcionek, H. Kong, C. Uher, M.G. Kanatzidis, Nanostructuring and its Influence on the Thermoelectric Properties of the AgSbTe2-SnTe Quaternary System, Mater. Res. Soc. Symp. Proc., 886, 0886-F08-05 (2005); https://doi.org/10.1557/PROC-0886-F05-08.

Fen Xiong, Hong Bin Tan, Chengliang Xia, Yue Chen. Strain and Doping in Two-Dimensional SnTe Nanosheets: Implications for Thermoelectric Conversion, ACS Applied Nano Materials, 3 (1), 114 (2020); https://doi.org/10.1021/acsanm.9b01793.

T. Xie, & J.C. Grossman, Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties, Physical Review Letters, 120(14), 145301 (2018); https://doi.org/10.1103/PhysRevLett.120.145301.

X. Li, & Q. Weng, Thin Film Deposition: Principles and Practice, Materials Science and Engineering Reports, 139, 100558 (2020);. https://doi.org/10.1016/j.mser.2020.100558.

D.M. Freik, B.S. Dzundza, S.I. Mudryi, O.B. Kostiuk, V.I. Makovyshyn, R.S. Yavorskyi, U.A. Kryskiv, T.O. Semko, Structure and Transport Phenomena in Pb18Ag2-xSbxTe20 (LAST) Films on Sitall, Physics and Chemistry of Solid State, 15(4), 752 (2014).

B.S. Dzundza, O.B. Kostiuk, V.I. Makovyshyn, M.Yu. Pereginchuk, Thermoelectric Properties of Thin Films Based on Pure and Doped Lead Telluride, Thermoelectricity, 6, 54 (2016).

, J.A. Stankovic, & S. Zhou, Real-Time Systems: Design Principles for Distributed Embedded Applications, Springer, 2018.

T. Chen, & C. Guestrin. XGBoost: A scalable tree boosting system," arXiv preprint, arXiv:1603.02754, (2017); https://arxiv.org/abs/1603.02754.