پیش بینی فاصله ای باند با یادگیری عمیق در گرافن دوپ شده با بور

به خوبی شناخته شده است که پیکره بندی در مقیاس اتمی و مقیاس نانو مواد ناخالص می تواند نقش مهمی در تعیین خواص الکترونیکی مواد داشته باشد. با این حال، پیش‌بینی چنین اثراتی به دلیل گستره وسیعی از پیکربندی‌های اتمی چالش برانگیز است. در اینجا، ما یک مطالعه موردی ارائه می‌کنیم که چگونه الگوریتم‌های یادگیری عمیق می‌توانند فاصله باند را در گرافن دوپ شده با بور با پیکربندی‌های سوپرسل دلخواه پیش بینی کنند. یک توصیفگر ماده که همبستگی ساختار و شکاف باند را ممکن می‌سازد برای شبکه‌های عصبی کانولوشن توسعه داده خواهد شد. فاصله باند محاسبه شده توسط محاسبات از ابتدا و ساختارهای مربوطه، به عنوان مجموعه داده های آموزشی استفاده می شود. سپس از شبکه های آموزش دیده برای پیش بینی فاصله باند سیستم با پیکربندی مختلف استفاده می شود. این کار مسیری را برای تحقیقات آتی در مورد گرافن دوپ شده با بور و سایر مواد دو بعدی هموار خواهد کرد. علاوه بر این، با توجه به وجود پیکربندی‌های موجود در مواد، این کار ممکن است علاقه به استفاده از الگوریتم‌های یادگیری عمیق برای طراحی پیکربندی مواد در مقیاس‌های طولی مختلف را منجر شود.