다중자는 입자 가속기 및 진공 전자기기 응용 분야에서 라디오 주파수(RF) 시스템의 성능과 신뢰성을 저하시키는 표면 주도 전자 산사태 현상입니다. 주어진 장치 구조에서 다중자 행동은 일반적으로 불안정성의 매개변수 공간 특성을 제공하는 취약성 차트를 통해 평가됩니다. 본 연구에서 우리는 기계 학습(ML) 모델이 이러한 취약성 차트를 학습하고 예측하는 능력을 평가하고, 재료 간 일반성을 지배하는 제약을 분석합니다. 전형적인 이중 표면 평면 기하학에서 여섯 가지 뚜렷한 2차 전자 수율 재료 프로필을 포함하는 시뮬레이션 기반 데이터 세트를 사용하여, 우리는 관련 매개변수 공간에서 시간 평균 전자 성장률(δavg)을 예측하기 위해 감독 회귀 모델 및 인공 신경망을 훈련시킵니다. 모델 성능은 교차 비율, 구조 유사도 지수 및 상관 분석과 같은 취약성 차트의 구조를 명시적으로 조사하는 메트릭을 사용하여 평가됩니다. 트리 기반 앙상블 모델은 취약성 영역 재구성과 재료 도메인 간 일반화에서 신경망 모델보다 우수한 성능을 보였습니다. 주성분 분석은 분리된 재료 특성 분포를 나타내어, 다중자 취약성의 구간 모드 구조를 단일 글로벌 모델로 나타내기 어렵고, 일반화는 모델 복잡성보다는 데이터 커버리지에 의해 제약된다는 것을 보여줍니다. 포괄적인 축소 커버리지 연구는 희소한 재료 공간 커버리지가 평균 성능에서 같은 일반 범위를 제공할 수 있지만, 취약성 영역 중첩에서 큰 변동성을 초래할 수 있음을 추가로 보여줍니다. 이러한 결과는 다중자 방전의 매개변수 공간 특성화를 위한 ML 기반 대리 모델의 능력을 명확히 합니다. 또한 RF 시스템 설계에서 그들의 적절한 사용에 대한 지침을 제공합니다.
Iqbal et al. (수요일)이 이 질문을 연구했습니다.