ترجمه فارسی مقاله پیش بینی و تسریع سنتز نانومواد با استفاده از ویژگی های یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Predicting and Accelerating Nanomaterials Synthesis Using Machine Learning Featurization
عنوان مقاله به فارسی پیش بینی و تسریع سنتز نانومواد با استفاده از ویژگی های یادگیری ماشین
نویسندگان Christopher C. Price, Yansong Li, Guanyu Zhou, Rehan Younas, Spencer S. Zeng, Tim H. Scanlon, Jason M. Munro, Christopher L. Hinkle
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Materials Science,Machine Learning,علوم مواد , یادگیری ماشین ,
توضیحات Submitted 12 September, 2024; originally announced September 2024. , Comments: 15 pages, 3 figures
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 15 صفحه ، 3 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Solving for the complex conditions of materials synthesis and processing requires analyzing information gathered from multiple modes of characterization. Currently, quantitative information is extracted serially with manual tools and intuition, constraining the feedback cycle for process optimization. We use machine learning to automate and generalize feature extraction for in-situ reflection high-energy electron diffraction (RHEED) data to establish quantitatively predictive relationships in small sets ($\sim$10) of expert-labeled data, and apply these to save significant time on subsequent epitaxially grown samples. The fidelity of these relationships is tested on a representative material system ($W_{1-x}V_xSe2$ growth on c-plane sapphire substrate (0001)) at two stages of synthesis with two aims: 1) predicting the grain alignment of the deposited film from the pre-growth substrate surface data, and 2) estimating the vanadium (V) dopant concentration using in-situ RHEED as a proxy for ex-situ methods (e.g. x-ray photoelectron spectroscopy). Both tasks are accomplished using the same set of materials agnostic core features, eliminating the need to retrain for specific systems and leading to a potential 80\% time saving over a 100 sample synthesis campaign. These predictions provide guidance for recipe adjustments to avoid doomed trials, reduce follow-on characterization, and improve control resolution for materials synthesis, ultimately accelerating materials discovery and commercial scale-up.

چکیده به فارسی (ترجمه ماشینی)

حل برای شرایط پیچیده سنتز و پردازش مواد نیاز به تجزیه و تحلیل اطلاعات جمع آوری شده از چندین حالت توصیف دارد.در حال حاضر ، اطلاعات کمی به صورت سریال با ابزارهای دستی و شهود استخراج می شود و چرخه بازخورد را برای بهینه سازی فرآیند محدود می کند.ما از یادگیری ماشین برای خودکار سازی و تعمیم استخراج ویژگی برای بازتاب در بازتاب الکترون پراش با انرژی بالا (RHEED) استفاده می کنیم تا روابط کمی پیش بینی کننده در مجموعه های کوچک (\ $ 10 $) از داده های دارای برچسب متخصص ایجاد شود و از این موارد برای صرفه جویی قابل توجه استفاده کنید.زمان در نمونه های رشد یافته پس از آن.وفاداری این روابط بر روی یک سیستم مواد نماینده ($ W_ {1-X} V_XSE2 $ رشد در بستر یاقوت کبود C-Plane (0001)) در دو مرحله از سنتز با دو هدف آزمایش می شود: 1) پیش بینی تراز دانه از دانهفیلم سپرده شده از داده های سطح بستر قبل از رشد ، و 2) غلظت دوپانت وانادیوم (V) با استفاده از Rheed In Situ به عنوان یک پروکسی برای روش های سابق SITU (به عنوان مثال طیف سنجی فوتوالکترون اشعه ایکس).هر دو کار با استفاده از همان مجموعه از ویژگی های هسته آگنوستیک انجام می شود و نیاز به بازآموزی سیستم های خاص را از بین می برد و منجر به صرفه جویی در زمان بالقوه 80 \ ٪ در یک کمپین سنتز نمونه می شود.این پیش بینی ها راهنمایی هایی را برای تنظیم دستور العمل ها برای جلوگیری از کارآزمایی های محکوم ، کاهش خصوصیات پیگیری و بهبود وضوح کنترل برای سنتز مواد ، در نهایت تسریع در کشف مواد و مقیاس تجاری ارائه می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.