ترجمه فارسی مقاله یک مدل داده‌محور برای انتشار میدانی از الکترودهای با سطح وسیع

چکیده

Electron emission from cathodes in high field gradients is a quantum tunneling effect. The 1928 Fowler-Nordheim field emission (FE) equation and the 1956 Murphy-Good FE equation have traditionally been key in describing cold field emissions, offering estimates for emitters for almost a century. Nevertheless, applying FE theory in practice is often constrained by the lack of data on the distribution and geometry of the emission sites. Predictions become more challenging with an uneven electric field distribution at the cathode surface. Consequently, FE formulations are frequently calibrated using current-voltage data after test, limiting their efficacy as true predictive models. This study develops an alternative model for field emission using a data-driven predictive approach based on (1) vast experimental data, (2) electrostatic simulations of the cathode surface, and (3) detailed material and geometry properties, which together overcome these limitations. The objective of this work is to develop and harness this comprehensive dataset to train a machine learning model capable of providing precise predictions of the cathode current in order to further the understanding and application of field emission phenomena. More than 259 hours of experimental data have been processed to train and benchmark some of the well-known machine learning models. After two stages of optimization, a coefficient of determination >98% is achieved in the prediction total field emission current using ensemble models.

چکیده به فارسی (ترجمه ماشینی)

انتشار الکترونی از کاتدها در شیب میدان بالا یک اثر تونل سازی کوانتومی است.معادله انتشار فیلد Fowler-Nordheim در سال 1928 و معادله Fe-Good Fe در سال 1956 به طور سنتی در توصیف انتشار گازهای گلخانه ای مهم بوده است و تقریباً یک قرن تخمین هایی را برای انتشار دهنده ها ارائه می دهد.با این وجود ، استفاده از تئوری آهن در عمل اغلب با کمبود داده در مورد توزیع و هندسه سایت های انتشار محدود می شود.پیش بینی ها با توزیع میدان الکتریکی ناهموار در سطح کاتد چالش برانگیز تر می شوند.در نتیجه ، فرمولاسیون آهن اغلب با استفاده از داده های ولتاژ جریان پس از آزمایش کالیبره می شود و اثربخشی آنها را به عنوان مدلهای پیش بینی واقعی محدود می کند.این مطالعه یک مدل جایگزین برای انتشار میدانی با استفاده از یک رویکرد پیش بینی کننده داده محور مبتنی بر (1) داده های تجربی گسترده ، (2) شبیه سازی الکترواستاتیک سطح کاتد ، و (3) خاصیت مواد و هندسه دقیق ، که در کنار هم بر این محدودیت ها غلبه می کنند ، تهیه می کند.بشرهدف از این کار توسعه و مهار این مجموعه داده جامع برای آموزش یک مدل یادگیری ماشین است که قادر به پیش بینی های دقیق جریان کاتد به منظور درک بیشتر و کاربرد پدیده های انتشار میدانی است.بیش از 259 ساعت داده های تجربی برای آموزش و معیار برخی از مدلهای شناخته شده یادگیری ماشین پردازش شده است.پس از دو مرحله بهینه سازی ، ضریب تعیین> 98 ٪ در جریان پیش بینی جریان انتشار میدان با استفاده از مدلهای گروهی حاصل می شود.