Prédiction de la réactivité des photodétecteurs par apprentissage automatique

Résumé Cette étude introduit une nouvelle méthodologie pour prédire la réactivité des photodétecteurs, ciblant spécifiquement des matériaux difficiles comme le borophène. La synthèse de ces matériaux fait face à des complexités expérimentales substantielles, nécessitant des prédictions de performance fiables avant la fabrication. Pour y remédier, une approche complète utilisant des techniques avancées d'apprentissage automatique, notamment des réseaux de neurones artificiels (RNA), a été développée. L'intégration des données de diffraction des rayons X (DRX) et des spectres Raman dans les modèles d'IA permet de prédire efficacement l'efficacité des photodétecteurs avant la fabrication des dispositifs. L'innovation réside dans l'incorporation stratégique de réseaux antagonistes génératifs (GANs) pour l'augmentation des ensembles de données, ce qui permet d'élargir considérablement la taille de l'ensemble de données et d'améliorer la robustesse du modèle RNA. Les analyses de sensibilité ont mis en évidence des facteurs influents tels que la tension de polarisation et les coefficients spectraux, validant l'approche et s'alignant avec les résultats expérimentaux récents. Cette méthodologie fait progresser non seulement l'optoélectronique, mais elle offre également des promesses pour la science des matériaux et l'ingénierie des dispositifs. Les prédictions des graphiques longueur d'onde-réactivité, considérant les allotropes de borophène comme couches actives et le n-Si comme substrats, montrent des pics autour de 300–400 nm, allant de 0,04 à 0,36 AW −1 à des tensions de polarisation entre 1 et 5 volts. Ces estimations supposent une épaisseur de couche de borophène d'environ 1,6 nm et une intensité de puissance radiative de 5000 µWcm −2.