CN115099164B - 基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置 - Google Patents
基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置 Download PDFInfo
- Publication number
- CN115099164B CN115099164B CN202211028829.3A CN202211028829A CN115099164B CN 115099164 B CN115099164 B CN 115099164B CN 202211028829 A CN202211028829 A CN 202211028829A CN 115099164 B CN115099164 B CN 115099164B
- Authority
- CN
- China
- Prior art keywords
- target
- tin
- thin film
- film transistor
- data set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 143
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 title claims abstract description 115
- 239000010409 thin film Substances 0.000 title claims abstract description 99
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000010801 machine learning Methods 0.000 title claims abstract description 40
- 238000013461 design Methods 0.000 claims abstract description 130
- 230000008569 process Effects 0.000 claims abstract description 86
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims description 50
- 238000003860 storage Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 10
- 238000004528 spin coating Methods 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 239000000654 additive Substances 0.000 description 8
- 239000000758 substrate Substances 0.000 description 8
- 230000000996 additive effect Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000000137 annealing Methods 0.000 description 6
- 238000007639 printing Methods 0.000 description 6
- ZMXDDKWLCZADIW-UHFFFAOYSA-N N,N-Dimethylformamide Chemical compound CN(C)C=O ZMXDDKWLCZADIW-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 4
- 229910004298 SiO 2 Inorganic materials 0.000 description 4
- 150000001450 anions Chemical class 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 239000002243 precursor Substances 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 description 3
- 150000001768 cations Chemical class 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011056 performance test Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- KFZMGEQAYNKOFK-UHFFFAOYSA-N Isopropanol Chemical compound CC(C)O KFZMGEQAYNKOFK-UHFFFAOYSA-N 0.000 description 2
- 229910008449 SnF 2 Inorganic materials 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000001755 magnetron sputter deposition Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013086 organic photovoltaic Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002207 thermal evaporation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 125000000129 anionic group Chemical group 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000008367 deionised water Substances 0.000 description 1
- 229910021641 deionized water Inorganic materials 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000001659 ion-beam spectroscopy Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007750 plasma spraying Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L29/00—Semiconductor devices specially adapted for rectifying, amplifying, oscillating or switching and having potential barriers; Capacitors or resistors having potential barriers, e.g. a PN-junction depletion layer or carrier concentration layer; Details of semiconductor bodies or of electrodes thereof ; Multistep manufacturing processes therefor
- H01L29/66—Types of semiconductor device ; Multistep manufacturing processes therefor
- H01L29/68—Types of semiconductor device ; Multistep manufacturing processes therefor controllable by only the electric current supplied, or only the electric potential applied, to an electrode which does not carry the current to be rectified, amplified or switched
- H01L29/76—Unipolar devices, e.g. field effect transistors
- H01L29/772—Field effect transistors
- H01L29/78—Field effect transistors with field effect produced by an insulated gate
- H01L29/786—Thin film transistors, i.e. transistors with a channel being at least partly a thin film
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/549—Organic PV cells
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Mathematical Physics (AREA)
- Ceramic Engineering (AREA)
- Geometry (AREA)
- Thin Film Transistor (AREA)
Abstract
本发明提供了一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置，可以应用于人工智能以及光电材料技术领域。该基于机器学习的锡基钙钛矿薄膜晶体管优化方法包括：根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点；对初始候选点进行聚类，得到N个聚类中心；根据N个聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点；获取基于目标候选点制备锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签；以及在确定器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管。
Description
技术领域
本发明涉及人工智能以及光电材料技术领域，具体涉及一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法、基于机器学习的锡基钙钛矿薄膜晶体管优化装置、电子设备和存储介质。
背景技术
薄膜晶体管(Thin-film transistor, TFT)是现代电子技术的关键元件，锡基钙钛矿材料具有出色的光电性能、便捷的加工方式和较低的生产成本，其在室温下具有较低的离子迁移和较高的载流子迁移率，是晶体管的有效候选材料。但在制备高质量锡基钙钛矿薄膜晶体管的工艺中，可供优化的参数十分冗杂，仅凭人工试错，不仅效率低下、覆盖面窄，还会导致成本增加。因此，研究高通量优化方法至关重要。
发明内容
鉴于上述问题，本发明提供了一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法、基于机器学习的锡基钙钛矿薄膜晶体管优化装置、电子设备和存储介质。
作为本发明的一方面，提供了一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法，包括：
根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，初始候选点表征初始候选工艺设计空间，每个初始候选工艺设计空间包括一个或多个工艺设计参数值；
对初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数；
根据N个聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；
获取基于目标候选点制备锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签；以及
在确定器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，预设性能至少包括两个器件性能。
根据本发明的实施例，基于机器学习的锡基钙钛矿薄膜晶体管优化方法，还包括：
在确定器件性能标签不满足预设性能的情况下，将初始数据集输入预先训练好的高斯模型，输出后验分布结果；
利用获取函数，从后验分布结果中获取目标数据集；以及
根据目标数据集，确定目标设计参数值。
根据本发明的实施例，根据目标数据集，确定目标设计参数值，包括：
获取利用目标数据集制备锡基钙钛矿薄膜晶体管后得到的目标性能；以及
在确定目标性能满足预设性能的情况下，基于目标性能，确定目标设计参数值。
根据本发明的实施例，根据目标数据集，确定目标设计参数值，还包括：
在确定目标性能不满足预设性能的情况下，将目标数据集和初始数据集作为新的初始数据集，以便获取新的目标数据集；以及
根据新的目标数据集，确定新的目标设计参数值。
根据本发明的实施例，基于机器学习的锡基钙钛矿薄膜晶体管优化方法，还包括：
利用激活函数，构建三层全连接网络的神经网络；以及
根据初始数据集，利用神经网络，对基于深度核函数学习的高斯模型进行训练，得到预先训练好的高斯模型。
根据本发明的实施例，工艺设计参数包括以下至少之一：器件结构、锡基钙钛矿沟道层的属性以及关联属性、电极的属性、制作工艺；工艺设计参数值包括工艺设计参数在变量区间内的值。
根据本发明的实施例，获取函数包括预期超体积提高函数。
作为本发明的另一个方面，还提供了一种基于机器学习的锡基钙钛矿薄膜晶体管优化装置，包括：
第一确定模块，用于根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，初始候选点表征初始候选工艺设计空间，每个初始候选工艺设计空间包括一个或多个工艺设计参数值；
聚类模块，用于对初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数；
筛选模块，用于根据N个聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；
获取模块，用于获取基于目标候选点制备锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签；以及
第二确定模块，用于在确定器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，预设性能至少包括两个器件性能。
作为本发明的再一个方面，还提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述基于机器学习的锡基钙钛矿薄膜晶体管优化方法。
作为本发明的再一个方面，还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述基于机器学习的锡基钙钛矿薄膜晶体管优化方法。
根据本发明的实施例，根据锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，由于初始候选点表征包括一个或多个工艺设计参数值的初始候选工艺设计空间，可以对其进行聚类，选择目标候选点。选择的目标候选点包含的种类多，有效避免了遗漏关键参数，有利于从多种类中获取器件性能的信息，进而通过与至少包括两个器件性能的预设性能相比，确定目标设计参数值，实现了两个及以上的预设性能的同时优化，提高了优化效率。
附图说明
图1示意性示出了根据本发明实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化方法的流程图；
图2示意性示出了根据本发明另一实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化方法的流程图；
图3示意性示出了根据本发明具体实施例的锡基钙钛矿薄膜晶体管的结构示意图；
图4示意性示出了根据本发明另一具体实施例的锡基钙钛矿薄膜晶体管的结构示意图；
图5示意性示出了根据本发明再一具体实施例的锡基钙钛矿薄膜晶体管的结构示意图；
图6示意性示出了根据本发明又一具体实施例的锡基钙钛矿薄膜晶体管的结构示意图；
图7示意性示出了根据本发明实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化装置的结构框图；以及
图8示意性示出了根据本发明实施例的适于实现基于机器学习的锡基钙钛矿薄膜晶体管优化方法的电子设备的方框图。
【附图标记】
1-第一电极；2-第二电极；3-锡基钙钛矿沟道层；4-栅绝缘层；5-栅极；6-衬底。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细发明。
相关研究表明，评估材料和工艺在实际器件生产中的潜力是一个参数空间巨大的多维优化过程。近年来将机器学习融入实验的技术逐渐兴起，尤其在光伏器件领域，例如，基于有机光伏(Organic photovoltaic, OPV)材料器件光吸收特征的高斯过程回归(Gaussian process regression, GPR)预测指导了优化过程，首先在约100个代表性工艺条件下进行了不到24小时的功率转换效率(Power conversion efficiency, PCE)筛选，随后在约50个代表性工艺条件下对制备的太阳能电池进行了50小时的光稳定性筛选。成功预测了功率转换效率和光诱导的老化损耗。基于传统贝叶斯优化(Bayesian optimization,BO)模型，引入过往实验数据和肉眼评估薄膜质量两个限制，增加了模型的灵活性，减少了所需迭代次数。选取了制备钙钛矿太阳能电池的快速等离子体喷涂 (Rapid spray plasmaprocessing, RSPP)设备的六种工艺参数作为输入，将之和器件的实验数据构建高斯过程回归模型，在这种加速因子增强优化方式下，在少于100个输出数据的实验预算内得到了较高的功率转换效率。
在实施本发明的过程中发现，现有的高通量机器学习优化方式仍然存在问题。例如，仅能针对单一目标进行优化，如果想同时实现两个及以上目标的最优输出需在前一目标最优的基础上反复筛选，过程复杂，且存在牺牲输入参数范围的可能，从而无法得到真的的最优解。优化方式采用的算法中，输入参数较多时，优化筛选过程所需时间长，大约需要十几个小时到几天不等，如果想得到在多输入变量情况下更精准的预测，增加迭代次数，耗时无疑会更多，效率低。对输入变量采用随机取样方式，未加分析，可能会遗漏关键参数，其科学程度有待商榷等。
基于此，本发明提供了一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法，包括：根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，初始候选点表征初始候选工艺设计空间，每个初始候选工艺设计空间包括一个或多个工艺设计参数值；对初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数； 根据N个聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；获取基于目标候选点制备锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签；以及在确定器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管。
下面示意性举例说明基于机器学习的锡基钙钛矿薄膜晶体管优化方法。需要说明的是，该举例说明只是本发明的具体实施例，并不能限制本发明的保护范围。
图1示意性示出了根据本发明实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化方法的流程图。
如图1所示，该实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化方法100包括操作S101~操作S105。
在操作S101，根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，初始候选点表征初始候选工艺设计空间，每个初始候选工艺设计空间包括一个或多个工艺设计参数值。
根据本发明的实施例，工艺设计参数可以包括以下至少之一：器件结构、锡基钙钛矿沟道层的属性以及关联属性、电极的属性、制作工艺。其中，器件结构可以包括：底栅、顶栅、底接触、顶接触等。锡基钙钛矿沟道层的属性以及关联属性可以包括：沟道宽度及长度、前驱液浓度、异质结种类、阴阳离子种类、阴阳离子占比、添加剂种类、添加剂摩尔比、PbI2替代比等。电极的属性可以包括：电极种类、各层电极的厚度等。制作工艺可以包括：涂膜方式（旋涂、印刷等）、转速或印刷速率、退火时间、退火温度等。工艺设计参数值可以包括工艺设计参数在变量区间内的值。
例如，初始候选工艺设计空间可以包括可能的锡基钙钛矿薄膜晶体管器件结构、Cr/Au电极、阴离子种类：I-，Cl-，Br-、阴离子占比：I-：0.8-1，Cl-：0-0.1，Br-：0-0.1，且三者总和为1、添加剂：SnF2、SnCl2等以及添加剂SnF2/SnCl2摩尔比：1%~50%等。
在操作S102，对初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数。
根据本发明的实施例，可以将预设的聚类中心作为初始聚类中心，然后利用聚类算法进行聚类，得到N个聚类中心。其中，聚类算法可以包括kmeans算法。预设的聚类中心可以根据实际工艺设计参数的情况而确定。
根据本发明的实施例，由于初始候选点表征初始候选工艺设计空间，初始候选工艺设计空间内包括工艺设计参数值，因此，初始候选点分布呈现类的特点。对初始候选点进行聚类，可以找到聚类中心。
在操作S103，根据N个聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数。
根据本发明的实施例，根据聚类中心，筛选目标候选点，目标候选点包含的种类多，与随机抽样的方法相比，不易遗漏关键信息，还有利于找到目标设计参数值。
在操作S104，获取基于目标候选点制备锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签。
根据本发明的实施例，根据在上述操作S103得到的目标候选点，确定目标候选工艺设计空间内的设计参数值。根据设计参数值进行实验制备锡基钙钛矿薄膜晶体管。对实验制备的锡基钙钛矿薄膜晶体管进行性能测试，得到设计参数值对应的器件性能标签。
在操作S105，在确定器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，预设性能至少包括两个器件性能。
根据本发明的实施例，预设性能可以根据实际优化需求而确定。其中，预设性能可以包括至少两个器件性能。例如，器件性能可以包括：载流子迁移率、空气稳定性、开关比、空穴浓度、阈值电压、载流子浓度以及载流子寿命等。
根据本发明的实施例，根据在上述操作S104得到的实验性能标签与预设性能进行相比较，如果设计参数值对应的实验性能标签表征的器件性能满足预设性能，则可以将该设计参数值作为目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管。
根据本发明的实施例，根据锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，由于初始候选点表征包括一个或多个工艺设计参数值的初始候选工艺设计空间，可以对其进行聚类，选择目标候选点。选择的目标候选点包含的种类多，有效避免了遗漏关键参数，有利于从多种类中获取器件性能的信息，进而通过与至少包括两个器件性能的预设性能相比，确定目标设计参数值，实现了两个及以上的预设性能的同时优化，提高了优化效率。
根据本发明的实施例，基于机器学习的锡基钙钛矿薄膜晶体管优化方法，还可以包括：在确定器件性能标签不满足预设性能的情况下，将初始数据集输入预先训练好的高斯模型，输出后验分布结果；利用获取函数，从后验分布结果中获取目标数据集；以及根据目标数据集，确定目标设计参数值。
根据本发明的实施例，根据在上述操作S104得到的器件性能标签与预设性能进行相比较，如果设计参数值对应的器件性能标签表征的器件性能不满足预设性能，则可以将初始数据集输入预先训练好的高斯模型。利用获取函数，从预先训练好的高斯模型输出的后验分布结果中获取目标数据集。可以利用目标数据集获取的设计参数值对应的器件性能标签与预设性能进行比较，如果满足预设性能，则可以将目标数据集获取的设计参数值作为目标设计参数值。
根据本发明的实施例，预先训练好的高斯模型可以根据初始数据集，利用神经网络对基于深度核函数学习的高斯模型进行训练得到。
根据本发明的实施例，利用获取函数，从后验分布结果中获取目标数据集，可以包括利用获取函数，进行蒙特卡洛采样，得到目标数据集。其中，蒙特卡洛采样可以理解为将一个连续分布的问题变成一个多次采样得到平均值的过程。或者，蒙特卡洛采样可以理解为是一个对一个分布进行多次采样得到其平均值的过程，用这个平均值代替原来的值。
根据本发明的实施例，通过预先训练好的高斯模型输出后验分布结果，利用获取函数确定目标数据集，最终得到目标实际参数值，实现了两个及以上的预设性能的同时优化，缩短了机器学习优化时间，提高了通过机器学习后指导实验的整体流程的优化效率，有利于获取性能较优的锡基钙钛矿薄膜晶体管。
根据本发明的实施例，基于机器学习的锡基钙钛矿薄膜晶体管优化方法，还可以包括：利用激活函数，构建三层全连接网络的神经网络；根据初始数据集，利用神经网络，对基于深度核函数学习的高斯模型进行训练，得到预先训练好的高斯模型。
根据本发明的实施例，基于深度核函数学习的高斯模型可以由一个均值函数m(x)和一个协方差函数k(x,y)表征。其中，均值函数一般采用常数下式（1）表示。协方差函数一般采用下式（2）表示。
其中，μ0表示常数；θ表示协方差函数里面的超参数。
将初始数据集输入三层全连接网络的神经网络，通过采用Relu激活函数对输入的初始数据集进行特征提取后输出预测结果。利用神经网络，对基于深度核函数学习的高斯模型进行训练时，基于深度核函数学习的高斯模型中协方差函数最终确定为如下式（3）所示：
其中，ψ表示采用Relu函数的非线性变换；w表示神经网络中的权重。
需要说明的是，可以根据预测结果与初始数据集的真实结果进行训练神经网络的权重，同时一起训练基于深度核函数学习的高斯模型的超参数。
根据本发明的实施例，采用基于深度核函数学习的高斯模型比传统的高斯模型超参数训练更快，并且可以实现多目标输出，极大地缩短了机器学习优化所需时间，大大提高了机器学习指导实验这一流程的整体效率，降低时间成本，有利于在有限时间内做出更多的尝试、获取最优结果。
根据本发明的实施例，获取函数可以包括预期超体积提高函数。
根据本发明实施例，获取函数可以是采用了L-BFGS-B算法进行优化后的算法，用于获得更快的收敛速度。
根据本发明的实施例，采用预期超体积提高函数作为获取函数，与传统的UCB、EI、EIPV等获取函数相比，可以获得更快的收敛速度，得到更好的输出结果；同时可以部署到GPU等硬件平台上，极大提高算法的并行性，普适性高，提升了运行效率。
根据本发明的实施例，根据目标数据集，确定目标设计参数值，可以包括：获取利用目标数据集制备锡基钙钛矿薄膜晶体管后得到的目标性能；以及在确定目标性能满足预设性能的情况下，基于目标性能，确定目标设计参数值。
根据本发明的实施例，可以根据目标数据集制备锡基钙钛矿薄膜晶体管，利用锡基钙钛矿薄膜晶体管进行实验得到目标性能。通过对比目标性能与预设性能，确定目标性能是否满足预设性能。在目标性能满足预设性能的情况下，根据满足预设性能的目标性能确定目标数据集中的设计参数值，将该设计参数值作为目标设计参数值。
根据本发明的实施例，根据目标数据集，确定目标设计参数值，还可以包括：在确定目标性能不满足预设性能的情况下，将目标数据集和初始数据集作为新的初始数据集，以便获取新的目标数据集；以及根据新的目标数据集，确定新的目标设计参数值。
根据本发明的实施例，在目标性能不满足预设性能的情况下，将目标数据集和初始数据集作为新的初始数据集。可以将新的初始数据集输入预先训练好的高斯模型。利用获取函数，从预先训练好的高斯模型输出的后验分布结果中获取新的目标数据集。可以利用新的目标数据集获取的设计参数值对应的器件性能标签与预设性能进行比较，如果满足预设性能，则可以将新的目标数据集获取的设计参数值作为目标设计参数值。
图2示意性示出了根据本发明另一实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化方法的流程图。
如图2所示，该实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化方法200包括操作S201~操作S207。
在操作S201，根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点。
根据本发明的实施例，初始候选点表征初始候选工艺设计空间，每个初始候选工艺设计空间包括一个或多个工艺设计参数值。工艺设计参数可以包括以下至少之一：器件结构、锡基钙钛矿沟道层的属性以及关联属性、电极的属性、制作工艺。其中，器件结构可以包括：底栅、顶栅、底接触、顶接触等。锡基钙钛矿沟道层的属性以及关联属性可以包括：沟道宽度及长度、前驱液浓度、异质结种类、阴阳离子种类、阴阳离子占比、添加剂种类、添加剂摩尔比、PbI2替代比等。电极的属性可以包括：电极种类、各层电极的厚度等。制作工艺可以包括：涂膜方式（旋涂、印刷等）、转速或印刷速率、退火时间、退火温度等。工艺设计参数值可以包括工艺设计参数在变量区间内的值。
在操作S202，对初始候选点进行聚类，筛选目标候选点。
根据本发明的实施例，可以将预设的聚类中心作为初始聚类中心，然后利用kmeans算法进行聚类，得到N个聚类中心。其中，N为大于等于2的整数。预设的聚类中心可以根据实际工艺设计参数的情况而确定。根据聚类中心，可以筛选距离每个聚类中心由远到近的1个候选点作为目标候选点。
在操作S203，获取初始数据集。
根据本发明实施例，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签。可以根据目标候选点表征的目标候选工艺设计空间内的设计参数值进行制备锡基钙钛矿薄膜晶体管，利用锡基钙钛矿薄膜晶体管进行性能测试，得到器件性能标签。
在操作S204，利用基于深度核函数学习的高斯模型和获取函数，从初始数据集中获取目标数据集。
根据本发明实施例，可以将初始数据集输入基于深度核函数学习的高斯模型，输出后验分布结果；利用获取函数，从后验分布结果中获取目标数据集。
在操作S205，获取利用目标数据集制备锡基钙钛矿薄膜晶体管后得到的目标性能。
根据本发明实施例，可以利用目标数据集制备锡基钙钛矿薄膜晶体管。根据该锡基钙钛矿薄膜晶体管进行性能测试，得到目标性能。
在操作S206，是否满足预设性能。
根据本发明实施例，预设性能至少包括两个器件性能。目标性能如果满足预设性能，执行操作S207。目标性能如果不满足预设性能，执行操作S203。
根据本发明实施例，可以根据目标数据集制备锡基钙钛矿薄膜晶体管得到的目标性能，以及制备锡基钙钛矿薄膜晶体管时工艺设计空间内的设计参数值构建帕累托前沿。如果目标性能不满足预设性能，则再进行一次迭代筛选，直到满足预设性能后结束。
在操作S207，结束。
图3示意性示出了根据本发明具体实施例的锡基钙钛矿薄膜晶体管的结构示意图。
如图3所示，该具体实施例的锡基钙钛矿薄膜晶体管的结构包括：第一电极1、第二电极2、锡基钙钛矿沟道层3、栅绝缘层4以及栅极5。该结构可以看作为底栅顶接触的结构。第一电极1可以为源极或漏极；第二电极2可以为漏极或源极。
该具体实施例中的锡基钙钛矿薄膜晶体管的制备方法，可以包括：将栅极5/栅绝缘层4衬底依次用丙酮、去离子水、异丙醇超声清洗15分钟后，放入烘箱70℃烘干。其中，栅极5的材料可以为Si 。栅绝缘层4的材料可以为SiO2。也即栅极5/栅绝缘层4衬底可以为Si/SiO2衬底。Si衬底可以为p型重掺杂或n型重掺杂，低阻（1-100Ω·cm）。SiO2衬底厚度可以为100-300nm。该具体实施1中使用了p型重掺杂Si片以及SiO2厚度为100nm。
需要说明的是，栅绝缘层4可以采用磁控溅射或离子束溅射或化学气相沉积或热氧化法等制备方法直接沉积在Si片（栅极5）上。
烘干后的Si/SiO2衬底用氮气枪清洁。然后使用紫外线臭氧（UV）处理20-30分钟或者氩等离子体（argon plasma）处理5-10分钟后，迅速转移至充满氮气的手套箱，手套箱水氧含量＜0.1ppm。
钙钛矿前驱体溶液配置。可以配置0.1M CsSnI3溶液，将CsI:SnI2:PbI2以1：0.9：0.1的摩尔比溶解在N,N-二甲基甲酰胺（DMF）中，50℃搅拌2小时；将SnF2以6mg/ml浓度溶解在DMF中，搅拌一夜；最后将0.1M CsSnI3溶液与SnF2溶液两者混合后，50℃再搅拌20分钟，冷却至室温后可以用于旋涂锡基钙钛矿沟道层3。
采用溶液旋涂法制备锡基钙钛矿沟道层3。由于调节旋涂转速和时间可以调整锡基钙钛矿沟道层3的厚度，该具体实施例中使用旋涂转速为4000rpm，加速度为2000rpm，旋涂时间为150s，得到厚度约为15nm的锡基钙钛矿沟道层3，可以再旋涂前用氮气枪再次清洁。
第一电极1和第二电极2的制备。可以采用热蒸发或者磁控溅射等方法生长第一电极1和第二电极2。第一电极1和第二电极2均可以用Au、Ti/Au、Cr/Au、Cu、碳等。沟道的长宽在掩模板中体现，长度可在10µm-500µm范围内调节。该具体实施例中使用热蒸发蒸镀了80nm厚的Au电极，锡基钙钛矿沟道层3长为150µm，锡基钙钛矿沟道层3宽为1000µm。
需要说明的是，在Au 电极中加入Ti或Cr，可以增加电极粘性同时构成欧姆接触，且每一部分的电极厚度都可以调整。
需要说明的是，采用锡基钙钛矿材料作为沟道层，导电性良好，对缺陷容忍性高。其中，全无机体系CsSnI3室温下霍尔迁移率测量结果高达500cm2v-1s-1，开关比高；且锡基钙钛矿沟道层普遍可采用旋涂法制备，操作简单且成本低，在制作薄膜晶体管有好的应用前景。
图4示意性示出了根据本发明另一具体实施例的锡基钙钛矿薄膜晶体管的结构示意图；图5示意性示出了根据本发明再一具体实施例的锡基钙钛矿薄膜晶体管的结构示意图；图6示意性示出了根据本发明又一具体实施例的锡基钙钛矿薄膜晶体管的结构示意图。
如图４-图6所示，具体实施例中的锡基钙钛矿薄膜晶体管的制备方法可以与上述具体实施例中的锡基钙钛矿薄膜晶体管的制备方法相似，只需改变制备的先后顺序，即可分别得到如图4所示的可以看作为底栅底接触的结构、如图5所示的可以看作为顶栅顶接触的结构以及如图6所示的可以看作为顶栅底接触的结构。
针对本发明具体实施例得到的锡基钙钛矿薄膜晶体管，可以在氮气手套箱内测试，或用紫外固化胶简单封装后测试。预设性能可以为载流子迁移率和空气稳定性。测试设备可以为1500探针台，得到转移特性曲线的饱和区域，根据如下式（4）得到锡基钙钛矿薄膜晶体管迁移率数据。空气稳定性可以通过在室温条件下定期测试性能衰减得到。
其中，μsat表示锡基钙钛矿薄膜晶体管迁移率；L表示沟道的长度；W表示沟道的宽度；Ci表示介电区电容；I DS 表示漏极与源极之间的电流；V GS 表示栅极与源极之间的电压。
根据本发明上述提供的基于机器学习的锡基钙钛矿薄膜晶体管优化方法，初始候选点表征初始候选工艺设计空间。初始候选工艺设计空间可以包括：（1）器件结构：如底栅、顶栅、底接触、顶接触等；（2）锡基钙钛矿沟道层：如沟道宽度及长度、前驱液浓度、异质结种类、阳离子Cs2+摩尔比（1-1.8）、阴离子种类及占比（如I-：0.8-1、Cl-：0-0.1、Br-：0-0.1，且三者总和为1）、添加剂种类（SnF2、SnCl2、Sn等）、添加剂摩尔比（1％-50％）、PbI2替代比（10％-50％）等；（3）电极：如电极种类、各层电极的厚度等；（4）制作工艺：如涂膜方式（旋涂、印刷等）、转速或印刷速率、退火时间、退火温度等。
可以对上述初始候选点进行聚类，并选取距离聚类中心最远的候选点作为目标候选点。按照上述具体实施例所述的锡基钙钛矿薄膜晶体管的制备方法和测试方法，例如可以得到30个有效实验数据作为初始数据集。其中，有效实验数据可以包括：目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签。
预设性能可以包括特定的载流子迁移率和特定时间内空气稳定性。可以依据高斯模型和获取函数选取能够使得器件性能提升的目标数据集。以所得目标数据集内代表的工艺参数为标准制备新一批锡基钙钛矿薄膜晶体管，例如可以得到对应的30个实验数据；可以对所得到的数据和原始数据构建帕累托前沿，再进行下一次迭代，以此类推，直到实验所得锡基钙钛矿薄膜晶体管的实验数据达到或超过预设性能后结束。
基于上述基于机器学习的锡基钙钛矿薄膜晶体管优化方法，本发明还提供了一种基于机器学习的锡基钙钛矿薄膜晶体管优化装置。以下将结合图7对该装置进行详细描述。
图7示意性示出了根据本发明实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化装置的结构框图。
如图7所示，该实施例的基于机器学习的锡基钙钛矿薄膜晶体管优化装置700包括第一确定模块710、聚类模块720、筛选模块730、获取模块740和第二确定模块750。
第一确定模块710用于根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，初始候选点表征初始候选工艺设计空间，每个初始候选工艺设计空间包括一个或多个工艺设计参数值。
聚类模块720用于对初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数。
筛选模块730用于根据N个聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数。
获取模块740用于获取基于目标候选点制备锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，初始数据集包括目标候选工艺设计空间内的设计参数值以及设计参数值对应的器件性能标签。
第二确定模块750用于在确定器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，预设性能至少包括两个器件性能。
根据本发明的实施例，第一确定模块710、聚类模块720、筛选模块730、获取模块740和第二确定模块750中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，第一确定模块710、聚类模块720、筛选模块730、获取模块740和第二确定模块750中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列（FPGA）、可编程逻辑阵列（PLA）、片上系统、基板上的系统、封装上的系统、专用集成电路（ASIC），或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一确定模块710、聚类模块720、筛选模块730、获取模块740和第二确定模块750中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
图8示意性示出了根据本发明实施例的适于实现基于机器学习的锡基钙钛矿薄膜晶体管优化方法的电子设备的方框图。
如图8所示，根据本发明实施例的电子设备800包括处理器801，其可以根据存储在只读存储器（ROM）802中的程序或者从存储部分908加载到随机访问存储器（RAM）803中的程序而执行各种适当的动作和处理。处理器801例如可以包括通用微处理器（例如CPU）、指令集处理器和/或相关芯片组和/或专用微处理器（例如，专用集成电路（ASIC））等等。处理器801还可以包括用于缓存用途的板载存储器。处理器801可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 803中，存储有电子设备800操作所需的各种程序和数据。处理器 801、ROM802以及RAM 803通过总线804彼此相连。处理器801通过执行ROM 802和/或RAM 803中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 802和RAM 803以外的一个或多个存储器中。处理器801也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例，电子设备800还可以包括输入/输出（I/O）接口805，输入/输出（I/O）接口805也连接至总线804。电子设备800还可以包括连接至I/O接口805的以下部件中的一项或多项：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口805。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本发明的实施例，计算机可读存储介质可以包括上文描述的ROM 802和/或RAM 803和/或ROM 802和RAM 803以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本发明实施例所提供的模型训练方法和用于识别交易行为的方法。
在该计算机程序被处理器801执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分809被下载和安装，和/或从可拆卸介质811被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。在该计算机程序被处理器801执行时，执行本发明实施例的系统中限定的上述功能。根据本发明的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本发明中。特别地，在不脱离本发明精神和教导的情况下，本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是，这些实施例仅仅是为了发明的目的，而并非为了限制本发明的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本发明的范围之内。
Claims (10)
1.一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法，包括：
根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，所述初始候选点表征初始候选工艺设计空间，每个所述初始候选工艺设计空间包括一个或多个工艺设计参数值；
对所述初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数；
根据N个所述聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；
获取基于所述目标候选点制备所述锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，所述初始数据集包括目标候选工艺设计空间内的设计参数值以及所述设计参数值对应的器件性能标签；以及
在确定所述器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，所述预设性能至少包括两个器件性能。
2.根据权利要求1所述的方法，还包括：
在确定所述器件性能标签不满足所述预设性能的情况下，将所述初始数据集输入预先训练好的高斯模型，输出后验分布结果；
利用获取函数，从所述后验分布结果中获取目标数据集；以及
根据所述目标数据集，确定所述目标设计参数值。
3.根据权利要求2所述的方法，其中，所述根据所述目标数据集，确定所述目标设计参数值，包括：
获取利用所述目标数据集制备所述锡基钙钛矿薄膜晶体管后得到的目标性能；以及
在确定所述目标性能满足所述预设性能的情况下，基于所述目标性能，确定所述目标设计参数值。
4.根据权利要求3所述的方法，还包括：
在确定所述目标性能不满足所述预设性能的情况下，将所述目标数据集和所述初始数据集作为新的初始数据集，以便获取新的目标数据集；以及
根据所述新的目标数据集，确定新的目标设计参数值。
5.根据权利要求2所述的方法，还包括：
利用激活函数，构建三层全连接网络的神经网络；以及
根据所述初始数据集，利用所述神经网络，对基于深度核函数学习的高斯模型进行训练，得到所述预先训练好的高斯模型。
6.根据权利要求1所述的方法，其中，所述工艺设计参数包括以下至少之一：器件结构、锡基钙钛矿沟道层的属性以及关联属性、电极的属性、制作工艺；工艺设计参数值包括工艺设计参数在变量区间内的值。
7.根据权利要求2所述的方法，其中，所述获取函数包括预期超体积提高函数。
8.一种基于机器学习的锡基钙钛矿薄膜晶体管优化装置，包括：
第一确定模块，用于根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，所述初始候选点表征初始候选工艺设计空间，每个所述初始候选工艺设计空间包括一个或多个工艺设计参数值；
聚类模块，用于对所述初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数；
筛选模块，用于根据N个所述聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；
获取模块，用于获取基于所述目标候选点制备所述锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，所述初始数据集包括目标候选工艺设计空间内的设计参数值以及所述设计参数值对应的器件性能标签；以及
第二确定模块，用于在确定所述器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，所述预设性能至少包括两个器件性能。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211028829.3A CN115099164B (zh) | 2022-08-26 | 2022-08-26 | 基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211028829.3A CN115099164B (zh) | 2022-08-26 | 2022-08-26 | 基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115099164A CN115099164A (zh) | 2022-09-23 |
| CN115099164B true CN115099164B (zh) | 2022-12-30 |
Family
ID=83300389
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211028829.3A Active CN115099164B (zh) | 2022-08-26 | 2022-08-26 | 基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115099164B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117275634B (zh) * | 2023-11-20 | 2024-05-28 | 桑若(厦门)光伏产业有限公司 | 一种基于机器学习的钙钛矿太阳能电池设计方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111797575A (zh) * | 2020-07-23 | 2020-10-20 | 西南石油大学 | 一种深层页岩压裂工艺参数优化方法 |
| CN111814853A (zh) * | 2020-06-24 | 2020-10-23 | 北京邮电大学 | 一种数据选择偏差下的去相关聚类方法及装置 |
| EP3789923A1 (en) * | 2019-09-06 | 2021-03-10 | ASML Netherlands B.V. | Method for increasing certainty in parameterized model predictions |
| CN113656937A (zh) * | 2021-07-06 | 2021-11-16 | 北京智芯微电子科技有限公司 | 用于识别电力设备拓扑的方法、装置、存储介质及处理器 |
| CN114695682A (zh) * | 2022-03-30 | 2022-07-01 | 电子科技大学 | 组分优化的锡基钙钛矿太阳能电池制备方法及电池 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108629073B (zh) * | 2018-03-14 | 2019-05-03 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
| US20210390396A1 (en) * | 2018-07-11 | 2021-12-16 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Generative Models for Design |
-
2022
- 2022-08-26 CN CN202211028829.3A patent/CN115099164B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3789923A1 (en) * | 2019-09-06 | 2021-03-10 | ASML Netherlands B.V. | Method for increasing certainty in parameterized model predictions |
| CN111814853A (zh) * | 2020-06-24 | 2020-10-23 | 北京邮电大学 | 一种数据选择偏差下的去相关聚类方法及装置 |
| CN111797575A (zh) * | 2020-07-23 | 2020-10-20 | 西南石油大学 | 一种深层页岩压裂工艺参数优化方法 |
| CN113656937A (zh) * | 2021-07-06 | 2021-11-16 | 北京智芯微电子科技有限公司 | 用于识别电力设备拓扑的方法、装置、存储介质及处理器 |
| CN114695682A (zh) * | 2022-03-30 | 2022-07-01 | 电子科技大学 | 组分优化的锡基钙钛矿太阳能电池制备方法及电池 |
Non-Patent Citations (2)
| Title |
|---|
| Investigating diversity of clustering methods:An empirical comparison;Gelbard R, et al.;《Data&Knowledge Engineering》;20071231;第63卷(第1期);155-166 * |
| 基于密度的划分式聚类过程参数选择算法;吴杨等;《控制与决策》;20160131;第31卷(第01期);24-32 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115099164A (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oviedo et al. | Fast and interpretable classification of small X-ray diffraction datasets using data augmentation and deep neural networks | |
| Ryu et al. | Understanding, discovery, and synthesis of 2D materials enabled by machine learning | |
| CN115099164B (zh) | 基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置 | |
| Vidor et al. | Flexible electronics: integration processes for organic and inorganic semiconductor-based thin-film transistors | |
| Huang et al. | Experimental and theoretical evidence for hydrogen doping in polymer solution-processed indium gallium oxide | |
| Li et al. | Li‐Ion Doping as a Strategy to Modulate the Electrical‐Double‐Layer for Improved Memory and Learning Behavior of Synapse Transistor Based on Fully Aqueous‐Solution‐Processed In2O3/AlLiO Film | |
| Xiao et al. | Room-temperature-processed flexible amorphous InGaZnO thin film transistor | |
| Wei et al. | Machine-learning-enhanced time-of-flight mass spectrometry analysis | |
| CN103606564B (zh) | 一种电编程-紫外光擦除的存储器件结构及其制备方法 | |
| Liu et al. | A Fluorographene‐Based Synaptic Transistor | |
| Saha et al. | Triple-stack ZnO/AlZnO/YZnO heterojunction oxide thin-film transistors by spray pyrolysis for high mobility and excellent stability | |
| Mukherjee et al. | Ultralow-voltage field-effect transistors using nanometer-thick transparent amorphous indium–gallium–zinc oxide films | |
| Park et al. | Synaptic Transistor Based on In‐Ga‐Zn‐O Channel and Trap Layers with Highly Linear Conductance Modulation for Neuromorphic Computing | |
| Wan et al. | Classical conditioning mimicked in junctionless IZO electric-double-layer thin-film transistors | |
| Lee et al. | Bottom gate thin-film transistors using parallelly lateral ZnO nanorods grown by hydrothermal method | |
| Yong et al. | Fully solution-processed transparent artificial neural network using drop-on-demand electrohydrodynamic printing | |
| Im et al. | Effect of back-channel surface on reliability of solution-processed In0. 51Ga0. 15Zn0. 34O thin-film transistors with thin active layer | |
| Bansal et al. | Machine learning in perovskite solar cells: recent developments and future perspectives | |
| Zhang et al. | Ion migration studies in exfoliated 2D molybdenum oxide via ionic liquid gating for neuromorphic device applications | |
| Gao et al. | Adaptive immunomorphic hardware based on organic semiconductors and oxidized MXene heterostructures for feature information recognition | |
| Hwang et al. | A Bioinspired Ultra Flexible Artificial van der Waals 2D‐MoS2 Channel/LiSiOx Solid Electrolyte Synapse Arrays via Laser‐Lift Off Process for Wearable Adaptive Neuromorphic Computing | |
| Obada et al. | Explainable machine learning for predicting the band gaps of ABX3 perovskites | |
| Wu et al. | Machine Learning Accelerated Study of Defect Energy Levels in Perovskites | |
| CN104022159A (zh) | 用作薄膜晶体管沟道层的非晶氧化物薄膜及其制备方法 | |
| Chen et al. | Cyclical annealing technique to enhance reliability of amorphous metal oxide thin film transistors |
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 |