Prediction of electron‐solid interaction parameters using machine learning
Notice bibliographique
Résumé
Abstract Background Electron backscattering coefficient and electron‐stopping power are essential concepts in many disciplines, from radiation to materials science, semiconductor manufacturing, and space exploration. They enable precise calculations, measurements, and simulations of electron interactions with matter, which contribute to advancing science, technology, and safety in a variety of applications. The availability of these data is fundamental to scientific research to validate hypotheses, conduct experiments, and explore new theories. A relatively novel machine learning approach has demonstrated notable success in enhancing data quality and completeness, significantly contributing to the facilitation of data discovery. Purpose Using fundamental material property data, the stacking ensemble machine learning (EML) technique was established in this study to generate electron‐solid interaction parameters for any target material over a wide range of energies. The final stacking EML was built using the base and meta learners bagging regressor (BR), K‐nearest neighbors (k‐NN), random forest (RF), support vector regression (SVR), and eXtreme Gradient Boosting (XGB). Methods In this study, two publicly available databases with a total of 4030 data points were used. Training datasets have 785 and 525 data points for electron backscattering coefficient and stopping power, respectively, whereas testing datasets contain 262 and 175 data points. Five features were used as input variables to train different individual algorithms and their combinations. On both the training and test datasets, the model was evaluated using different error metrics, including R‐squared ( R 2 ), mean‐absolute‐error (MAE), root‐mean‐squared‐error (RMSE), and mean‐absolute‐percentage‐error (MAPE). Results Our model evaluation tests revealed that combining RF and XGB with a k‐NN meta‐learner outperformed other algorithms. The analysis of error metrics demonstrated a very close fit to all samples in each training dataset. Furthermore, predictions made by the model on unseen test data indicated accurate estimations of new backscattering and stopping power data. Conclusions The developed model achieved high prediction accuracy for various target materials across the broad electron energy spectrum. The outcomes demonstrate the effectiveness of machine learning methodology and the chosen models' suitability for addressing substantial physics challenges.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».