Інтелектуальний підхід до аналізу заборонених зон у напівпровідникових наноматеріалах

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