CN113705087A - 一种基于统计机器学习方法的载流子迁移率谱分析系统和方法 - Google Patents

一种基于统计机器学习方法的载流子迁移率谱分析系统和方法 Download PDF

Info

Publication number
CN113705087A
CN113705087A CN202110910119.2A CN202110910119A CN113705087A CN 113705087 A CN113705087 A CN 113705087A CN 202110910119 A CN202110910119 A CN 202110910119A CN 113705087 A CN113705087 A CN 113705087A
Authority
CN
China
Prior art keywords
mobility
data
spectrum
lambda
loss
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110910119.2A
Other languages
English (en)
Other versions
CN113705087B (zh
Inventor
吕洋洋
韩爽
陈延彬
周健
陈延峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202110910119.2A priority Critical patent/CN113705087B/zh
Publication of CN113705087A publication Critical patent/CN113705087A/zh
Application granted granted Critical
Publication of CN113705087B publication Critical patent/CN113705087B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)

Abstract

本发明提供一种基于统计机器学习方法的载流子迁移率谱分析系统，其包括：数据输入模块，其用于输入待测材料的电输运数据；预处理模块，其用于对所述电输运数据进行预处理；运算模块，其用于对预处理数据进行计算并得到迁移频谱和载流子参数；所述分析系统还包括输出模块，所述输出模块用于输出所述计算结果。本发明能够快速准确地确定相关电子材料的载流子信息。

Description

一种基于统计机器学习方法的载流子迁移率谱分析系统和 方法
技术领域
本发明属于电子材料研究领域，特别涉及一种基于统计机器学习方法的载流子迁移率谱分析系统和方法。
背景技术
在材料电学性质研究领域，磁电输运测量是一种有效的测试表征手段，被广泛应用于探究半金属材料和器件的电学性质。传统的两带模型分析方法常用于分析磁电输运数据以获取材料电学性质，但该模型的局限性极大，只适用于椭球形费米面且只包含两种载流子参与输运的材料，对于复杂费米面以及多种载流子参与输运的半金属材料，两带模型不再适用。
自1987年Beck和Anderson提出多载流子迁移率谱模型以来，研究者们对于该模型的算法实现层出不穷，这类迁移率谱的分析算法(Mobility Spectrum Analysis,MSA)可以半定量分析出材料的电学参数，但分析计算的结果准确度不高，只能对载流子的种类数目提供一个参考信息，一直未能广泛应用。
最大熵原理是信息论中的基本原理，其主要内容为：一个宏观系统的广义熵，在一组约束条件下始终趋向于最大值；被广泛应用于机器学习领域。Kiatgamolchai等人于2002将最大熵原理应用于迁移率谱分析中，提出了最大熵迁移率谱分析算法(Maximum-Entropy-MSA,ME-MSA)。最大熵原理的引入提高了分析的准确性，使得准确定量分析材料载流子信息成为了可能，但其计算效率较低，算法复杂度较大，单次运行时间接近5h，存在计算成本高的缺陷。
发明内容
为改善上述问题，本发明结合了最大熵原理以及统计学习中的梯度下降法对ME-MSA算法进行了改进。
在外部磁场强度为B时，测定的多种载流子参与电输运的材料(半金属材料)的纵向电阻率ρxx(B)和横向电阻率ρxy(B)实验数据，通过计算输出相应参数分析得出浓度-迁移率谱。
一种基于统计机器学习方法的载流子迁移率谱分析系统，其包括：
数据输入模块，其用于输入待测材料的电输运数据。
预处理模块，其用于对所述电输运数据进行预处理。
运算模块，其用于预设并计算迁移频谱和载流子参数。
输出模块，其用于输出所述计算结果。
根据本发明的实施方案，所述电输运数据包括待测半金属材料在M个不同外部磁场强度B下对应的M个纵向电阻率ρxx(B)和M个横向电阻率ρxy(B)实验数据。
根据本发明的实施方案，所述预处理模块包括噪声去除单元和/或背底多项式拟合单元，所述噪声去除单元用于去除电输运数据中的噪声；所述背底多项式拟合单元用于去除电输运数据中的背景噪声。
根据本发明的实施方案，所述运算模块包括数据转换单元、归一化单元和判断单元；所述数据转换单元用于根据预处理数据计算实验电导率
Figure BDA0003203204570000021
Figure BDA0003203204570000022
所述归一化单元用于预设载流子迁移率、设置归一化矩阵K、约化迁移率谱p(μ)，计算模拟电导率
Figure BDA0003203204570000023
和
Figure BDA0003203204570000024
梯度下降调整
Figure BDA0003203204570000025
和
Figure BDA0003203204570000026
使之接近实验所测的电导率
Figure BDA0003203204570000027
并最终确定迁移率谱。
根据本发明的实施方案，所述判断单元包括损失判断单元和迭代参数计算单元，所述损失判断单元用于判断损失函数是否处于容差，所述迭代参数计算单元用于根据梯度下降迭代算法计算更新迭代参数λnext。
当所述损失判断单元判定损失函数小于容差时，所述输出模块输出计算结果，否则，迭代参数计算单元根据梯度下降迭代算法计算迭代参数λnext后输入归一化单元进行再次计算。
当损失函数小于容差时，计算所得
Figure BDA0003203204570000031
和
Figure BDA0003203204570000032
与实验所测的电导率数据相近，此时所对应的迁移率谱为待测材料的迁移率谱。
根据本发明的实施方案，所述噪声去除单元包括Butterworth滤波器，所述Butterworth滤波器用于对外部磁场强度为B下的纵向电阻率ρxx(B)和横向电阻率ρxy(B)进行低通滤波去除高频噪声，得到磁场强度为Bj下的ρxx(Bj)和ρxy(Bj)。
根据本发明的实施方案，所述多项式拟合单元用于对外部磁场强度为B下的纵向电阻率ρxx(B)和横向电阻率ρxy(B)进行多项式拟合，去除背景噪声，得到磁场强度为Bj下的ρxx(Bj)和ρxy(Bj)。
其中，Bj(j＝1，2，3…M)为实验测量所施加的M个外部磁场强度点，ρxx(Bj)、ρxy(Bj)为去噪后Bj对应的电运输数据纵向电阻率ρxx(Bj)和横向电阻率ρxy(Bj)。
根据本发明的实施方案，所述数据转换单元用于将去噪后的电运输数据ρxx(Bj)和ρxy(Bj)转换为对应的电导率
Figure BDA0003203204570000033
和
Figure BDA0003203204570000034
所述转换通过公式1进行：
Figure BDA0003203204570000035
所述归一化单元用于预设载流子迁移率谱p(μi)，获取载流子迁移率曲线，假定样品的迁移率μ连续分布并选取足够密集的点，等对数间隔选取N个迁移率μ坐标点(10-2≤μ≤101)，选取M个场强数据点进行数值计算，则有：
Figure BDA0003203204570000041
其中
Figure BDA0003203204570000042
为给定迁移率谱p(μi)下计算所得的电导率，即模拟电导率；μi(i＝1,2,3...N)为预设所需计算的迁移率谱的N个格点对应的迁移率，一般以等对数间距取点；
Figure BDA0003203204570000043
为零场纵向电导率；迁移率谱p(μi)为拥有迁移率μi的载流子对电导率的贡献占比，即迁移率谱，满足：
Figure BDA0003203204570000044
设置公式4所示的归一化矩阵K，矩阵大小为N×2M：
Figure BDA0003203204570000045
其中，
Figure BDA0003203204570000046
为矩阵元，
Figure BDA0003203204570000047
Bj为μi下的磁场强度，在获取载流子迁移率曲线后。
结合最大熵原理，定义熵关于迁移率谱的函数公式5：
Figure BDA0003203204570000048
引入2M+1个拉格朗日乘子：
Figure BDA0003203204570000049
定义拉格朗日量L，L具有公式(6)所述定义：
Figure BDA00032032045700000410
根据公式6，求解L的极值能够确定最终p(μ)，令
Figure BDA00032032045700000411
可得公式7：
Figure BDA0003203204570000051
其中，Z为配分函数，Z具有如公式8所述定义：
Figure BDA0003203204570000052
将公式7代入式2后×σ0即可计算得出
Figure BDA0003203204570000053
通过梯度下降调整
Figure BDA0003203204570000054
使之接近实验所测的电导率，并最终确定迁移率谱。
Figure BDA0003203204570000055
根据公式9计算当前λ下的迁移率谱p(μi):
Figure BDA0003203204570000056
定义损失函数loss:
Figure BDA0003203204570000057
利用梯度下降法求出loss(λ)小于容差时的拉格朗日乘子λ，代入式10即可求得相应迁移率谱p(μi)。(loss(λ)小于容差时，即为梯度下降调整
Figure BDA0003203204570000058
和
Figure BDA0003203204570000059
后接近实验所测的电导率)
根据本发明的实施方案，所述梯度下降法包括迭代更新λ，所述更新的λ定义为λnext，
Figure BDA00032032045700000510
其中，所述λnow为当前迭代的拉格朗日乘子，λ的初始值为1，α为学习率，满足0<α≤1，例如为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9。
根据本发明的实施方案，所述判断单元包括容差，所述容差为loss≤10-8或迭代次数＞1000，优选地，所述容差为loss≤10-9，例如为loss＝为10-8；优选地，所述容差为迭代次数＞1500，优选地，所述容差为迭代次数＞3000，例如为迭代次数＞2000。
本发明还提供一种基于上述系统的分析方法，其包括以下步骤：
1)获取电输运数据；
2)预处理所述电输运数据；
3)计算实验电导率
Figure BDA0003203204570000061
预设载流子迁移率，根据归一化矩阵K约化迁移率谱p(μ)、计算模拟电导率
Figure BDA0003203204570000062
4)给定λ，计算迁移率谱p(μi)；
5)计算损失函数loss(λ)，判断损失函数是否处于容差，若是，转入步骤6)，否则，更新λ转入步骤4)；
6)输出计算结果。
根据本发明，步骤1)中获取电运输数据包括将待测半金属材料置于M个不同外部磁场强度B下，获取对应的纵向电阻率ρxx(B)和横向电阻率ρxy(B)。
优选地，所述测试在T＝2K的条件下进行，所述B为0-9T。
优选地，所述待测半金属材料包括ZrSiS/ZrSiSe体块材料、ZrTe5体块材料和WP2体块材料。
优选地，所述M≥10，优选地，所述M≥20，更优选地，所述M≥30，例如，所述M为15、25、30。
优选地，获取ρxx(B)和ρxy(B)之后，还包括绘制B-ρxx(B)\ρxy(B)图像。
优选地，所述获取电运输数据包括利用pandas导入B、ρxx(B)和ρxy(B)数据至分析方法的系统。
根据本发明，所述预处理电输运数据包括对电输运数据进行去噪处理，优选地，所述去噪处理包括采用Butterworth滤波器去噪或多项式拟合去噪。
优选地，所述Butterworth滤波器用于将B-ρxx(B)\ρxy(B)图像曲线去噪至平滑。
优选地，所述多项式拟合去噪用于将B-ρxx(B)\ρxy(B)图像曲线拟合至平滑。
根据本发明，所述步骤3)中预设载流子迁移率还包括：获取载流子迁移率曲线，假定样品的迁移率μ连续分布并选取足够密集的点，等对数间隔选取N个迁移率μ坐标点。
优选地，所述N≥100且为偶数，优选地，所述N≥300，更优选地，所述N≥500，例如为300、400、500、600。
优选地，所述10-2≤μ≤101，优选地，所述10-1≤μ≤101，更优选地，所述100≤μ≤101。
根据本发明，所述步骤4)中，所述给定λ的首次给定值为1.0，非首次的λ为更新λnext，
Figure BDA0003203204570000071
其中，所述λnow为当前迭代的拉格朗日乘子，λ的初始值为1，α为学习率，满足0<α≤1，例如为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9。
根据本发明，所述步骤5)中，容差具有如上所述的定义。
根据本发明，所述步骤6)中的输出结果为最后一次迭代计算的迁移率谱p(μi)。
根据本发明，所述步骤6)之后还包括以下步骤：以为p(μi)纵坐标，μi为横坐标作图，得到迁移率谱图。
有益效果
本发明通过统计机器学习方法，引入简化了算法迭代过程，降低了时间复杂度，极大提高了计算的效率与准确度，例如，采用300×50的归一化参数矩阵下将计算时间由5h降低至78s，本发明的分析方法能够快速准确地确定相关电子材料的载流子信息，对材料学、物理学以及电子学领域具有意义。
附图说明
图1为本发明中基于统计机器学习方法的载流子迁移率谱分析系统的结构框图。
图2为本发明中载流子迁移率谱分析结果图；
图3为实施例1中ZrSiSe磁电输运的原始数据(a)和预处理后所得数据(b)图；
图4为实施例1迁移率谱图。
具体实施方式
下文将结合具体实施例对本发明做更进一步的详细说明。应当理解，下列实施例仅为示例性地说明和解释本发明，而不应被解释为对本发明保护范围的限制。凡基于本发明上述内容所实现的技术均涵盖在本发明旨在保护的范围内。
实施例1
以下所用材料为多载流子输运的ZrSiSe体块材料。
所用ZrSiSe体块材料被预言并证实为Node-Line半金属，同时还具有受非同构对称性保护的多重Dirac锥，所用材料具有明显的多载流子磁电输运性能。
本实施例提供一种从磁电输运数据中高效获取载流子迁移率谱的方法，包括如下步骤：步骤1：获取ZrSiSe磁电输运原始数据(温度T＝2K下，不同磁场强度B下的ρxx，ρxy)，所述数据如图3(a)所示，利用pandas导入数据并忽略缺省值。
步骤2：将步骤1所述数据导入预处理模块，利用Butterworth滤波器对原始数据进行低通滤波，去除测试环境等导致的高频噪声后得到数据
Figure BDA0003203204570000081
处理结果如图3(b)所示。
步骤3：将步骤2所述数据
Figure BDA0003203204570000082
导入计算模块，
预设载流子迁移率谱p(μi)，获取载流子迁移率曲线，假定样品的迁移率μ连续分布并选取足够密集的点，等对数间隔选取300个迁移率μ坐标点(10-2≤μ≤101)，选取M＝25个场强数据点进行数值计算，则有：
Figure BDA0003203204570000091
其中
Figure BDA0003203204570000092
为给定迁移率谱p(μi)下的电导率；μi(i＝1,2,3...N)为预设所需计算的迁移率谱的N个格点对应的迁移率，一般以等对数间距取点；
Figure BDA0003203204570000093
为零场纵向电导率；迁移率谱p(μi)为拥有迁移率μi的载流子对电导率的贡献占比，即迁移率谱：
Figure BDA0003203204570000094
其中
Figure BDA0003203204570000095
μi为第i个μ坐标点、Bj为第j个B数据点，i选自1到300整数中的任意值，j选自1到25整数中的任意值，设定2M+1＝51个拉格朗日乘子λ的初始值均为1。
步骤4：通过λ计算电导率
Figure BDA0003203204570000096
ρ0为零磁场的导电率，迁移率μi的概率为p(μi)；其中，迁移率谱p(μi)：
Figure BDA0003203204570000097
步骤5：计算损失函数
Figure BDA0003203204570000098
当loss<10-8或迭代次数大于2000时停止计算，转入步骤6，否则，利用梯度下降法迭代更新λ：
Figure BDA0003203204570000101
(其中α为学习率，满足0<α≤1)，转入步骤4。
步骤6：输出最后一次迭代计算的迁移率谱p(μi)，以为p(μi)纵坐标，μi为横坐标作图，并以μi正负号区分载流子类型(μi＜0为电子，μi＞0为空穴)。计算结果如图4所示。
以上，对本发明的实施方式进行了说明。但是，本发明不限定于上述实施方式。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于统计机器学习方法的载流子迁移率谱分析系统，其特征在于，其包括：
数据输入模块，其用于输入待测材料的电输运数据；
预处理模块，其用于对所述电输运数据进行预处理；
运算模块，其用于对预设迁移频谱和载流子参数并计算满足上述电运输数据的迁移率谱；
优选地，所述分析系统还包括输出模块，所述输出模块用于输出所述计算结果。
2.根据权利要求1所述的基于统计机器学习方法的载流子迁移率谱分析系统，其特征在于，所述预处理模块包括噪声去除单元和/或背底多项式拟合单元，所述噪声去除单元用于去除电输运数据中的噪声；所述背底多项式拟合单元用于去除电输运数据中的背景噪声；
优选地，所述运算模块包括数据转换单元、归一化单元和判断单元，所述数据转换单元用于根据预处理数据计算实验电导率
Figure FDA0003203204560000011
所述归一化单元用于根据预设载流子迁移率并根据计算归一化矩阵K约化迁移率谱p(μ)，计算模拟电导率
Figure FDA0003203204560000012
所述判断单元包括损失判断单元和迭代参数计算单元；
优选地，所述损失判断单元用于判断损失函数是否处于容差，所述迭代参数计算单元用于根据梯度下降迭代算法计算迭代参数λnext；
优选地，当所述损失判断单元判定损失函数小于容差时，所述输出模块输出计算结果，否则，迭代参数计算单元根据梯度下降迭代算法计算迭代参数λnext后输入归一化单元进行再次计算；
优选地，当损失函数小于容差时，计算所得
Figure FDA0003203204560000013
与实验所测的电导率数据相近，此时所对应的迁移率谱为待测材料的迁移率谱。
3.根据权利要求2所述的基于统计机器学习方法的载流子迁移率谱分析系统，其特征在于，所述噪声去除单元包括Butterworth滤波器，所述Butterworth滤波器用于对外部磁场强度为B下的纵向电阻率ρxx(B)和横向电阻率ρxy(B)进行低通滤波去除高频噪声，得到磁场强度为Bj下的ρxx(Bj)和ρxy(Bj)；
优选地，所述多项式拟合单元用于对外部磁场强度为B下的纵向电阻率ρxx(B)和横向电阻率ρxy(B)进行多项式拟合，去除背景噪声，得到磁场强度为Bj下的ρxx(Bj)和ρxy(Bj)，其中，Bj(j＝1，2，3…M)为实验测量所施加的M个外部磁场强度点，ρxx(Bj)、ρxy(Bj)为去噪后Bj对应的电运输数据纵向电阻率ρxx(Bj)和横向电阻率ρxy(Bj)。
4.根据权利要求2所述的基于统计机器学习方法的载流子迁移率谱分析系统，其特征在于，
所述预处理模块还包括数据转换单元，所述数据转换单元用于将去噪后的电运输数据ρxx(Bj)和ρxy(Bj)转换为对应的电导率
Figure FDA0003203204560000021
和
Figure FDA0003203204560000022
所述转换通过公式1进行：
Figure FDA0003203204560000023
所述归一化单元用于预设载流子迁移率p(μi)，获取载流子迁移率曲线，假定样品的迁移率μ连续分布并选取足够密集的点，等对数间隔选取N个迁移率μ坐标点进行数值计算，则有公式2：
Figure FDA0003203204560000031
公式2中，
Figure FDA0003203204560000032
为给定迁移率谱p(μi)下的电导率；μi(i＝1,2,3...N)为预设所需计算的迁移率谱的N个格点，一般以等对数间距取点；
Figure FDA0003203204560000033
为零场纵向电导率；迁移率谱p(μi)满足公式3：
Figure FDA0003203204560000034
设置公式4所示的归一化矩阵K，矩阵大小为N×2M：
Figure FDA0003203204560000035
其中，
Figure FDA0003203204560000036
为矩阵元，
Figure FDA0003203204560000037
Bj为μi下的磁场强度，在获取载流子迁移率曲线后，μi，Bj均为已知；
结合最大熵原理，定义熵关于迁移率谱的函数公式5：
Figure FDA0003203204560000038
引入2M+1个拉格朗日乘子：
Figure FDA0003203204560000039
定义拉格朗日量L，L具有公式6所述定义：
Figure FDA00032032045600000310
根据公式6，求解L的极值能够确定最终p(μ)，令
Figure FDA00032032045600000311
可得公式7：
Figure FDA0003203204560000041
其中，Z为配分函数，Z具有如公式8所述定义：
Figure FDA0003203204560000042
将公式7代入式2×σ0即可计算得出
Figure FDA0003203204560000043
通过梯度下降调整
Figure FDA0003203204560000044
使之接近实验所测的电导率，并确定迁移率谱；
Figure FDA0003203204560000045
根据公式9可计算当前λ下的迁移率谱p(μi):
Figure FDA0003203204560000046
定义损失函数loss:
Figure FDA0003203204560000047
利用梯度下降法求出loss(λ)小于容差时的拉格朗日乘子λ，代入式10即可求得相应迁移率谱p(μi)；
根据本发明的实施方案，所述梯度下降法包括迭代更新λ，所述更新的λ定义为λnext，
Figure FDA0003203204560000048
其中，所述λnow为当前迭代的拉格朗日乘子，λ的初始值为1，α为学习率，满足0<α≤1，例如为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9。
根据本发明的实施方案，所述判断单元包括容差，所述容差为loss≤10-8或迭代次数＞1000，优选地，所述容差为loss≤10-9，例如为loss＝10-8；优选地，所述容差为迭代次数＞1500，优选地，所述容差为迭代次数＞3000，例如为迭代次数＞2000。
5.一种基于权利要求1至4任一项所述系统的基于统计机器学习方法的载流子迁移率谱分析方法，其包括以下步骤：
1)获取电输运数据；
2)预处理所述电输运数据；
3)预设载流子迁移率p(μi)，设置归一化矩阵K、约化迁移率谱p(μ)，计算电导率
Figure FDA0003203204560000051
4)根据给定的拉格朗日乘子λ，计算迁移率谱p(μi)；
5)计算步骤4所述λ下的损失函数loss(λ)，判断损失函数是否处于容差，若是，转入步骤6)，否则，更新λ转入步骤4)；
6)输出计算结果。
6.根据权利要求5所述的基于统计机器学习方法的载流子迁移率谱分析方法，其特征在于：所述步骤3中预设载流子迁移率p(μi)，设置相应的归一化矩阵K、约化迁移率谱p(μ)，计算电导率
Figure FDA0003203204560000052
包括：
预先初始化载流子迁移率p(μi)，获取流子迁移率曲线，
Figure FDA0003203204560000053
公式2中，
Figure FDA0003203204560000061
为给定迁移率谱p(μi)下的电导率；μi(i＝1,2,3...N)为预设所需计算的迁移率谱的N个格点；
Figure FDA0003203204560000062
为零场纵向电导率；
迁移率谱p(μi)满足公式3：
Figure FDA0003203204560000063
所述归一化矩阵K按公式4设置：
Figure FDA0003203204560000064
公式4中，
Figure FDA0003203204560000065
为矩阵元，
Figure FDA0003203204560000066
所述约化迁移率谱p(μ)和电导率
Figure FDA0003203204560000067
包括：
结合最大熵原理，定义熵关于迁移率谱的函数公式5：
Figure FDA0003203204560000068
引入2M+1个拉格朗日乘子：
Figure FDA0003203204560000069
定义拉格朗日量L，L具有公式6所述定义：
Figure FDA00032032045600000610
根据公式6，求解L的极值能够确定最终p(μ)，令
Figure FDA00032032045600000611
可得公式7：
Figure FDA00032032045600000612
其中，Z为配分函数，Z具有如公式8所述定义：
Figure FDA00032032045600000613
将公式7代入式2×σ0即可计算得出
Figure FDA0003203204560000071
参见公式9：
Figure FDA0003203204560000072
根据公式10可计算迁移率谱p(μi)：
Figure FDA0003203204560000073
定义损失函数loss:
Figure FDA0003203204560000074
利用梯度下降法求出loss(λ)小于容差时的拉格朗日乘子λ，代入式10即可求得相应迁移率谱p(μi)。
7.根据权利要求6所述的基于统计机器学习方法的载流子迁移率谱分析方法，其特征在于：
所述梯度下降法包括迭代更新λ，所述更新的λ定义为λnext，
Figure FDA0003203204560000075
其中，所述λnow为当前迭代的拉格朗日乘子，λ的初始值为1，α为学习率，满足0<α≤1，例如为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9；
优选地，所述判断单元包括容差，所述容差为loss≤10-8或迭代次数＞1000，优选地，所述容差为loss≤10-9，例如为loss＝为10-8；优选地，所述容差为迭代次数＞1500，优选地，所述容差为迭代次数＞3000，例如为迭代次数＞2000。
8.根据权利要求5所述的基于统计机器学习方法的载流子迁移率谱分析方法，其特征在于：所述步骤1)中获取电运输数据包括将待测半金属材料置于M个不同外部磁场强度B下，获取对应的纵向电阻率ρxx(B)和横向电阻率ρxy(B)；
优选地，所述测试在T＝2K的条件下进行，所述B为0-9T；
优选地，所述待测半金属材料为ZrSiS/ZrSiSe体块材料、ZrTe5体块材料、WP2体块材料等；
优选地，所述M≥10，优选地，所述M≥20，更优选地，所述M≥30，例如，所述M为15、25、30；
优选地，获取ρxx(B)和ρxy(B)之后，还包括绘制B-ρxx(B)\ρxy(B)图像；
优选地，所述获取电运输数据包括利用pandas导入B、ρxx(B)和ρxy(B)数据至分析方法的系统。
9.根据权利要求5所述的基于统计机器学习方法的载流子迁移率谱分析方法，其特征在于：所述预处理电输运数据包括对电输运数据进行去噪处理，优选地，所述去噪处理包括采用Butterworth滤波器去噪或多项式拟合去噪；
优选地，所述Butterworth滤波器用于将B-ρxx(B)\ρxy(B)图像曲线去噪至平滑；
优选地，所述多项式拟合去噪用于将B-ρxx(B)\ρxy(B)图像曲线拟合至平滑；
优选地，所述步骤3)中预设迁移率还包括获取载流子迁移率曲线，假定样品的迁移率μ连续分布并选取足够密集的点，等对数间隔选取N个迁移率μ坐标点。
优选地，所述N≥100且为偶数，优选地，所述N≥300，更优选地，所述N≥500，例如为300、400、500、600。
优选地，所述10-2≤μ≤101，优选地，所述10-1≤μ≤101，更优选地，所述100≤μ≤101。
10.根据权利要求5所述的基于统计机器学习方法的载流子迁移率谱分析方法，其特征在于：所述步骤4)中，所述给定λ的首次给定值为1，非首次的λ为更新λnext，
Figure FDA0003203204560000091
其中，所述λnow为当前迭代的拉格朗日乘子，λ的初始值为1，α为学习率，满足0<α≤1，例如为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9。
优选地，所述步骤5)中，容差具有如上所述的定义。
优选地，所述步骤6)中的输出结果为最后一次迭代计算的迁移率谱p(μi)。
优选地，所述步骤6)之后还包括以下步骤：以为p(μi)纵坐标，μi为横坐标作图，得到迁移率谱图。
CN202110910119.2A 2021-08-09 2021-08-09 一种基于统计机器学习方法的载流子迁移率谱分析系统和方法 Active CN113705087B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110910119.2A CN113705087B (zh) 2021-08-09 2021-08-09 一种基于统计机器学习方法的载流子迁移率谱分析系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110910119.2A CN113705087B (zh) 2021-08-09 2021-08-09 一种基于统计机器学习方法的载流子迁移率谱分析系统和方法

Publications (2)

Publication Number Publication Date
CN113705087A true CN113705087A (zh) 2021-11-26
CN113705087B CN113705087B (zh) 2024-03-19

Family

ID=78651979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110910119.2A Active CN113705087B (zh) 2021-08-09 2021-08-09 一种基于统计机器学习方法的载流子迁移率谱分析系统和方法

Country Status (1)

Country Link
CN (1) CN113705087B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1531656A (zh) * 2001-05-03 2004-09-22 �պ��ٵ��ӹ�˾ 用于片状材料的无损测量和绘制分布图的方法和装置
CN101044409A (zh) * 2004-08-11 2007-09-26 美商立海顿电子公司 用于测量导电薄片材料中迁移率和薄层电荷密度的装置和处理系统
CN102313835A (zh) * 2011-07-21 2012-01-11 河北工业大学 砷化镓赝配高电子迁移率晶体管材料的电参数测量方法
US20180231602A1 (en) * 2017-02-14 2018-08-16 U.S. Army Research Laboratory Attn: Rdrl-Loc-I Method for multicarrier mobility spectrum analysis
CN109116270A (zh) * 2018-06-27 2019-01-01 中国电子科技集团公司第十研究所 一种对碲镉汞pn结材料进行测试的方法
CN109839362A (zh) * 2019-03-20 2019-06-04 北京中科知草科技有限公司 基于渐进式去噪技术的红外光谱定量分析方法
CN110186990A (zh) * 2018-02-23 2019-08-30 布鲁克科学有限公司 串联离子迁移谱仪
CN110310666A (zh) * 2019-06-27 2019-10-08 成都嗨翻屋科技有限公司 一种基于se卷积网络的乐器识别方法及系统
CN110506320A (zh) * 2017-04-13 2019-11-26 英国质谱公司 具有增加的占空比的质谱分析
CN110892503A (zh) * 2017-07-21 2020-03-17 英国质谱公司 使用时变电场的迁移率和质量测量
CN110927458A (zh) * 2019-11-11 2020-03-27 中国电子科技集团公司第十一研究所 多载流子体系的测试及拟合方法
CN112601958A (zh) * 2018-08-30 2021-04-02 英国质谱公司 质量校正
US11061083B1 (en) * 2020-05-12 2021-07-13 The United States Of America As Represented By The Secretary Of The Army Method for maximum-entropy mobility spectrum analysis

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1531656A (zh) * 2001-05-03 2004-09-22 �պ��ٵ��ӹ�˾ 用于片状材料的无损测量和绘制分布图的方法和装置
CN101044409A (zh) * 2004-08-11 2007-09-26 美商立海顿电子公司 用于测量导电薄片材料中迁移率和薄层电荷密度的装置和处理系统
CN102313835A (zh) * 2011-07-21 2012-01-11 河北工业大学 砷化镓赝配高电子迁移率晶体管材料的电参数测量方法
US20180231602A1 (en) * 2017-02-14 2018-08-16 U.S. Army Research Laboratory Attn: Rdrl-Loc-I Method for multicarrier mobility spectrum analysis
CN110506320A (zh) * 2017-04-13 2019-11-26 英国质谱公司 具有增加的占空比的质谱分析
CN110892503A (zh) * 2017-07-21 2020-03-17 英国质谱公司 使用时变电场的迁移率和质量测量
CN110186990A (zh) * 2018-02-23 2019-08-30 布鲁克科学有限公司 串联离子迁移谱仪
CN109116270A (zh) * 2018-06-27 2019-01-01 中国电子科技集团公司第十研究所 一种对碲镉汞pn结材料进行测试的方法
CN112601958A (zh) * 2018-08-30 2021-04-02 英国质谱公司 质量校正
CN109839362A (zh) * 2019-03-20 2019-06-04 北京中科知草科技有限公司 基于渐进式去噪技术的红外光谱定量分析方法
CN110310666A (zh) * 2019-06-27 2019-10-08 成都嗨翻屋科技有限公司 一种基于se卷积网络的乐器识别方法及系统
CN110927458A (zh) * 2019-11-11 2020-03-27 中国电子科技集团公司第十一研究所 多载流子体系的测试及拟合方法
US11061083B1 (en) * 2020-05-12 2021-07-13 The United States Of America As Represented By The Secretary Of The Army Method for maximum-entropy mobility spectrum analysis

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
许秀娟 等: "最大熵迁移率谱分析的发展与应用", 激光与红外, vol. 47, no. 4, pages 404 - 409 *

Also Published As

Publication number Publication date
CN113705087B (zh) 2024-03-19

Similar Documents

Publication Publication Date Title
KR20230141930A (ko) 제조 동안의 고급 반도체 프로세스 최적화 및 적응형 제어
Kiatgamolchai et al. Mobility spectrum computational analysis using a maximum entropy approach
Logothetis Box–Cox transformations and the Taguchi method
Pokharel et al. Instantiation of crystal plasticity simulations for micromechanical modelling with direct input from microstructural data collected at light sources
JP6990634B2 (ja) 状態予測装置及び半導体製造装置
JP2021522563A (ja) 高度な機械学習手法を用いた記述岩石薄片の画像の自動分析
CN114757587B (zh) 一种基于大数据的产品质量控制系统及方法
CN115359846A (zh) 一种组学数据的批次矫正方法、装置、存储介质及电子设备
CN108960435B (zh) 量子纠缠态的探测系统及方法
CN113705087A (zh) 一种基于统计机器学习方法的载流子迁移率谱分析系统和方法
CN113255729A (zh) 基于卷积神经网络的外延层生长状态判断方法及装置
US20140125675A1 (en) Trend dynamic sensor imaging using contour maps to visualize multiple trend data sets in a single view
Lopes et al. Optimized multicanonical simulations: A proposal based on classical fluctuation theory
CN111079591A (zh) 基于改进多尺度主成分分析的不良数据修复方法及系统
CN113223107B (zh) 一种气液两相流的电阻层析成像方法、装置及终端设备
CN115760578A (zh) 一种图像处理方法、装置、电子设备及存储介质
Konstantinova et al. Machine Learning for analysis of speckle dynamics: quantification and outlier detection
CN112945897B (zh) 一种连续太赫兹图像非均匀性校正方法
KR100827442B1 (ko) 공정 관리 방법 및 공정 관리 시스템
JP4756272B2 (ja) マイクロ波プラズマ解析プログラム
US20110093232A1 (en) Method and arrangement for automatic calibrating of spectrometers
CN108414475B (zh) 基于光学层析同时迭代重建的libs分析方法
Tunaru et al. Computational Approach to Dark Current Spectroscopy in CCDs as complex systems. II. Numerical Analysis of the Uniqueness Parameters Evaluation
Konstantinova et al. Machine learning enhances algorithms for quantifying non-equilibrium dynamics in correlation spectroscopy experiments to reach frame-rate-limited time resolution
CN117373917B (zh) 一种半导体器件加工方法、系统及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant