Machine learning-assisted high-throughput prediction and experimental validation of high-responsivity extreme ultraviolet detectors
Notice bibliographique
Résumé
Identifying materials with optimal optoelectronic properties for targeted applications represents both a critical need and a persistent challenge in optoelectronic device engineering. Machine learning models often depend on extensive datasets, which are typically lacking in specialized research domains such as extreme ultraviolet (EUV) radiation detection. Here, we demonstrate a Cross-Spectral Response Prediction framework that leverages existing visible and ultraviolet (UV) photoresponse data to predict more efficient material’s performance under EUV radiation. Our predictive model, based on Extremely Randomized Trees, correlates physical descriptors with performance across different spectral regions using a comprehensive dataset of 1927 samples. Through this approach, we identified promising materials such as α-MoO3, MoS2, ReS2, PbI2, and SnO2, achieving responsivities varying from 20 to 60 A/W, exceeding conventional silicon photodiodes by ~225 times in EUV sensing applications. Monte Carlo simulations revealed double electron generation rates (~2×106 electrons per million EUV photons) compared to silicon, with experimental validation confirming the effectiveness of our prediction framework for accelerating the discovery of other high performing materials for diverse spectral applications. Here, the authors report a machine-learning-based high-throughput prediction framework to identify materials with strong extreme ultraviolet (EUV) photoresponse and experimentally demonstrate the promising performance of α-MoO3 EUV detectors.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 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 | 0,000 |
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 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 ».