بررسی عملکرد شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی برای تخمین مقاومت ابررساناها

استفاده از تکنیک‌های هوش مصنوعی مانند یادگیری ماشین و شبکه‌های عصبی برای بهبود فرآیندهای سنتز و پیش‌بینی خواص ابررساناها موضوع جالبی در سال‌های اخیر است. یادگیری ماشین و شبکه‌های عصبی ابزارهای قدرتمندی برای بررسی دینامیک غیرخطی سیستم‌ها ارائه می‌دهند. این روش پیش‌بینی بدون مدل کاملاً بر داده‌ها متکی است و شبکه عصبی را قادر می‌سازد تا رفتار دینامیکی سیستم را از مجموعه داده‌های آموزشی بدون نیاز به دانش قبلی از فیزیک سیستم یا معادلات حاکم بیاموزد. در این تحقیق به بررسی و مقایسه دو نوع شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی پرداخته شده است. مقاومت و دمای بحرانی ابررساناها به ویژگی های دما و غلظت مواد مورد استفاده بستگی دارد. بهینه سازی این ویژگی ها برای اهداف عملی می تواند تاثیر بسزایی در کاهش هزینه ها و زمان داشته باشد. در نهایت مشاهده می شود که شبکه عصبی پرسپترون چندلایه می تواند مقاومت ابررسانا را به خوبی با استفاده از ویژگی های دما و غلظت ترکیب پیش بینی نماید.