Details
Title | Применение методов машинного обучения для анализа процесса синтеза кристаллов и тонких пленок: выпускная квалификационная работа бакалавра: направление 03.03.02 «Физика» ; образовательная программа 03.03.02_08 «Квантовые наноструктуры и материалы» |
---|---|
Creators | Роженцев Даниил Витальевич |
Scientific adviser | Журихина Валентина Владимировна |
Organization | Санкт-Петербургский политехнический университет Петра Великого. Физико-механический институт |
Imprint | Санкт-Петербург, 2024 |
Collection | Выпускные квалификационные работы; Общая коллекция |
Subjects | кристаллы; тонкие пленки; синтез; карбид кремния; кремний; машинное обучение; многомерная регрессия; градиентный бустинг; crystals; thin films; synthesis; silicon carbide; silicon; machine learning; multivariate regression; gradient boosting |
Document type | Bachelor graduation qualification work |
File type | |
Language | Russian |
Level of education | Bachelor |
Speciality code (FGOS) | 03.03.02 |
Speciality group (FGOS) | 030000 - Физика и астрономия |
DOI | 10.18720/SPBPU/3/2024/vr/vr24-6161 |
Rights | Доступ по паролю из сети Интернет (чтение) |
Additionally | New arrival |
Record key | ru\spstu\vkr\31551 |
Record create date | 8/6/2024 |
Allowed Actions
–
Group | Anonymous |
---|---|
Network | Internet |
Данная работа посвящена сбору, обработке и обобщению всех полученных к настоящему времени массивов экспериментальных результатов по синтезу тонких пленок SiC/Si методом замещения атомов, а также определению и нахождению скрытых зависимостей в них, и составлению предсказательных моделей с использованием машинного обучения для дальнейшего развития метода. Для каждого из экспериментов были измерены свойства получившихся слоев, таким образом был получен большой набор данных, в котором входным ростовым параметрам сопоставлены итоговые свойства выращенной пленки. В настоящей работе для аппроксимации и обобщения всех экспериментальных результатов использованы различные подходы машинного обучения, в том числе – регрессия с применением алгоритма градиентного бустинга, основной идеей которого является комбинирование слабых предсказывающих моделей, получаемых в ходе итеративного процесса, где на каждой итерации новая модель обучается с учетом ошибок предыдущих. Полученные результаты свидетельствуют о том, что предлагаемые подходы машинного обучения к анализу экспериментальных результатов и разработанные модели позволяют предсказывать конечные свойства пленки по входным параметрам в столь сложном нелинейном процессе с хорошей точностью. Показано, что применение подобных методов в перспективе может существенно сократить число необходимых экспериментов для полного построения карты ростовых режимов в том или ином ростовом процессе.
The given work is devoted to the collection, processing, and generalization of all arrays of experimental results obtained to date on the synthesis of SiC/Si thin films by the method of atomic substitution, as well as the determination and discovery of hidden dependencies in them, and the compilation of predictive models using machine learning for the further development of the method. For each of the experiments, the properties of the resulting layers were measured, thus obtaining a large data set in which the final properties of the grown film were compared to the input growth parameters. In this work, to approximate and generalize all experimental results, various machine learning approaches are used, including regression using the gradient boosting algorithm, the main idea of which is the combination of weak predictive models obtained during an iterative process, where at each iteration a new model is trained with taking previous ones errors into account. The results obtained indicate that the proposed machine learning approaches to the analysis of experimental results and the developed models make it possible to predict the final properties of the film from the input parameters in such a complex nonlinear process with decent accuracy. It is shown that the use of such methods in the future can significantly reduce the number of necessary experiments to completely construct a map of growth regimes in a particular growth process.
Network | User group | Action |
---|---|---|
ILC SPbPU Local Network | All |
|
Internet | Authorized users SPbPU |
|
Internet | Anonymous |
|
Access count: 0
Last 30 days: 0