神经元|三维纳米硅的光学常数和能带能量预测纳米材料

文章图片

文章图片

江苏激光联盟导读：
《光电进展》最新文章，探讨了一种测定新型硅薄膜（纳米材料）光学性质可靠方法。
【神经元|三维纳米硅的光学常数和能带能量预测】
深度学习模型被开发来源：Compuscript Ltd；该神经网络有6个神经元层。网络以单个神经元开始和结束；第二、第三、第四和第五层分别由10、20、20和10个紧密连接的神经元组成。输入层接受二维阵列，因此单个神经元可以同时接受波长和反射数据。该网络中的层使用ReLU激活函数，因为与sigmoid和tanh激活函数相比，它显示了最佳精度。 Adam使用的梯度下降法将所有权重更新的学习率（α）保持在0.001 。随着网络的训练，每个结节的重量不断更新。
来自加拿大安大略省安大略科技大学的Shreeniket Joshi和Amirkianoosh Kiani在《光电进展》的最新出版物中讨论了用于预测3D纳米网络硅结构的光学常数和带隙能量的混合人工神经网络和分析模型。
本研究介绍了一种测定新型硅薄膜（纳米材料）光学性质的可靠方法。用脉冲激光束轰击硅片，在玻璃上沉积硅薄膜。由于可用的实验数据有限，因此发现新型纳米材料的光学性质具有挑战性。现有的光学特性计算模型比较复杂，容易产生误差，本研究提出了一种利用人工神经网络分析模型的新方法。使用人工神经网络的目的是开发一个数学函数来预测新型薄膜的光学常数。该方法的准确率为95% 。
制造装置原理图。来源：Elsevier
安大略科技大学Amirkianoosh Kiani博士的研究小组提出了这项研究，以发现新型硅薄膜的光学特性，并通过确凿证据验证了该方法的准确性和可靠性。对于透明的新型材料，可以使用透射率和反射率的实验数据来确定光学特性。然而，对不透明材料进行同样的处理很有挑战性，因为在这种情况下，只有反射数据可用。本研究可用于建立可用实验数据之间的数学关系，并显示出仅从反射率数据预测不透明材料光学特性的潜力。
过滤后的反射率数据
过滤后的透光率数据
此外，本研究中讨论的新型硅薄膜的光学特性被发现具有1.648的能带隙，该值接近用于收集太阳能的材料。由于硅薄膜具有惊人的表面积，因此具有这种能带隙的材料在太阳能应用中可以被证明是高效的。该研究小组还打算将这种方法用于激发用于生物医学应用的二氧化钛、金纳米颗粒等材料。
（a） TiW/400nm低K电介质泡罩的Nomarski对比度光学图像；（b）（a）中气泡FIB横截面的SEM显微照片；（c）SEM图像显示低K介电内聚破坏。
来源：Hybridartificial neural networks and analytical model for prediction of opticalconstants and bandgap energy of 3D nanonetwork silicon structures Opto-ElectronicAdvances (2021). DOI:10.29026/oea.2021.210039