Insights into the Machine Learning Predictions of the Optical Response of Plasmon@Semiconductor Core-Shell Nanocylinders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The application domain of deep learning (DL) has been extended into the realm of nanomaterials, photochemistry, and optoelectronics research. Here, we used the combination of a computer vision technique, namely convolutional neural network (CNN), with multilayer perceptron (MLP) to obtain the far-field optical response at normal incidence (along cylinder axis) of concentric cylindrical plasmonic metastructures such as nanorods and nanotubes. Nanotubes of Si, Ge, and TiO2 coated on either their inner wall or both their inner and outer walls with a plasmonic noble metal (Au or Ag) were thus modeled. A combination of a CNN and MLP was designed to accept the cross-sectional images of cylindrical plasmonic core-shell nanomaterials as input and rapidly generate their optical response. In addition, we addressed an issue related to DL methods, namely explainability. We probed deeper into these networks’ architecture to explain how the optimized network could predict the final results. Our results suggest that the DL network learns the underlying physics governing the optical response of plasmonic core-shell nanocylinders, which in turn builds trust in the use of DL methods in materials science and optoelectronics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle