Leveraging Atmospheric-Pressure Spatial Atomic Layer Deposition and Machine Learning for Nanomaterial and Device Design
Notice bibliographique
Résumé
The deposition and design of nanometre-scale oxide films is an integral component of the ongoing nanomaterial revolution, from cell phones, to batteries, to photovoltaics. Atmospheric-pressure spatial atomic layer deposition (AP-SALD) and chemical vapour deposition (AP-CVD) are two techniques that show great promise for commercialization, due to their speed and the vast array of materials and stoichiometries they can produce. However, this flexibility comes at the cost of complexity; the presence of oxygen during film deposition induces defects which may have advantageous or deleterious effects dependent on the application of the film. Machine learning is a statistical technique that allows us to make sense of such complex systems of interaction, without the need for expensive ab-initio simulations. Through this work, I demonstrate our capacity to deposit entirely new materials with our lab-scale AP-SALD/CVD system, and develop several characterization methods that will permit us to leverage the flexibility of that system to maximum effect. I developed a system for measuring the resistance of our films in-situ, demonstrating the effects of atmospheric oxygen on film properties, as well as implementing machine learning into our in-situ reflectance system providing accurate real-time measurements of film thickness and band gap. Next, I designed a gaussian process regression tool to assist researchers in finding accurate optical model parameters with our spectroscopic ellipsometer, much more quickly than previously possible. Lastly, I implemented a basic computer vision tool for tracking the degradation of perovskite and calcium thin films in real-time. To my knowledge, this work represents the first time that machine learning has been leveraged to improve the deposition of films by AP-SALD and to enhance the characterization of their properties and performance.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».