Автори | Bhagyashree Ashok Tingare1, R.A. Kapgate2, P. William3 , Jaikumar M. Patil4, Tarun Dhar Diwan5 , Prasad M. Patare6, Laxmikant S Dhamande6 |
Афіліація | 1Department of Artificial Intelligence and Data Science, D Y Patil College of Engineering, Akurdi, Pune 2Department of Mechatronics Engineering, Sanjivani College of Engineering, Kopargaon, MH, India 3Department of Information Technology, Sanjivani College of Engineering, Kopargaon, MH, India 4Department of Computer Science and Engineering, Shri Sant Gajanan Maharaj College of Engineering, Shegaon, SGBAU, Amravati 5Controller of Examination (COE), Atal Bihari Vajpayee University, Bilaspur, India 6Department of Mechanical Engineering, Sanjivani College of Engineering, Kopargaon, MH, India |
Е-mail | tarunctech@gmail.com |
Випуск | Том 17, Рік 2025, Номер 4 |
Дати | Одержано 10 квітня 2025; у відредагованій формі 15 серпня 2025; опубліковано online 29 серпня 2025 |
Цитування | Bhagyashree Ashok Tingare, R.A. Kapgate, P. William, та ін., Ж. нано- електрон. фіз. 17 № 4, 04027 (2025) |
DOI | https://doi.org/10.21272/jnep.17(4).04027 |
PACS Number(s) | 07.05.Mh, 73.20.At |
Ключові слова | Машинне навчання (6) , заборонені зони у напівпровіднику, наноматеріали (19) , алгоритм White Shark, стійкий до XGBoost (FWS-RXGBoost). |
Анотація | Аналіз заборонених зон у напівпровідникових наноматеріалах має велике значення для застосування в електроніці. Традиційні підходи мають обмеження в роботі зі складними, нелінійними зв'язками для прогнозування заборонених зон. У роботі пропонується модель FWS-RXGBoost (Fine-Tuned White Shark Algorithm-Resilient XGBoost), яка усуває проблеми, пов'язані з оптимізацією гіперпараметрів XGBoost для більш надійних прогнозів. Використовується набір даних Kaggle про відбитки матеріалів та цільові значення забороненої зони. Для забезпечення точності моделі нормалізація ознак за Z-оцінкою на етапі попередньої обробки стандартизує ознаки, що покращує градієнтне навчання. Оптимізація, натхненна White Shark, досягає балансу між глобальним дослідженням та локальним використанням. Ця модель виявилася більш стійкою до шуму в даних. Були проведені порівняння з моделлю градієнтного бустингу та моделлю Extra Trees. Згідно з показниками RMSE (0,17), MAE (0,10) та R² (0,97), FWS-RXGBoost ефективний для моделювання складних залежностей, пов'язаних з прогнозами забороненої зони. У зв'язку з цим, ці результати показують, що FWS-RXGBoost є надійним, високоточним інструментом для прогнозування ширини заборонених зон напівпровідників і наразі готовий до застосування в будь-яких реальних умовах, де точність є критично важливою. У майбутніх дослідженнях можуть бути використані більш різноманітні набори даних та складні гібридні моделі для розширення можливостей прогнозування. |
Перелік посилань English version of article |