پيش‌بيني دماي كوري مواد مغناطيسي با يادگيري ماشين: مهندسي توصيف‌گرها، شبكه‌هاي عصبي گراف و اهميت داده‌هاي پالايش‌شده

اصفهان : دانشگاه صنعتي اصفهان

فيزيك

دكتري

مواد مغناطيسي به‌ دليل نقش اساسي در فناوري‌هاي نوين از جمله ذخيره‌سازي داده، سامانه‌هاي اسپين‌ترونيكي، حسگرها و تجهيزات الكترومغناطيسي، از جايگاه ويژه‌اي در علم و مهندسي مواد برخوردارند. يكي از پارامترهاي كليدي تعيين‌كننده عملكرد اين مواد، دماي كوري است كه بيانگر گذار فاز از حالت فرومغناطيس به پارامغناطيس بوده و به‌طور مستقيم به تركيب شيميايي، ساختار الكتروني و برهم‌كنش‌هاي اتمي وابسته است. پيش‌بيني دقيق اين كميت همواره چالشي اساسي در طراحي مواد مغناطيسي جديد محسوب مي‌شود. در اين پژوهش، چارچوبي مبتني بر يادگيري ماشين براي پيش‌بيني دماي كوري ارائه شده است كه در آن نقش كيفيت داده‌ها، مهندسي ويژگي‌ها و به‌كارگيري مدل‌هاي پيشرفته به‌صورت نظام‌مند بررسي شده است. نتايج نشان مي‌دهد استفاده از داده‌هاي پالايش‌شده و معتبر، تأثير قابل‌توجهي بر بهبود عملكرد مدل‌هاي پيش‌بيني دارد. در فرآيند استخراج ويژگي، دو رويكرد اصلي شامل توصيف‌گرهاي مبتني بر تركيب شيميايي و شبكه‌هاي عصبي گراف به‌كار گرفته شده‌اند. شبكه‌هاي عصبي گراف با مدل‌سازي تركيبات در قالب گرافي مبتني بر ويژگي‌هاي عناصر، امكان يادگيري برهم‌كنش‌هاي تركيبي و وابستگي‌هاي غيرخطي ميان عناصر را فراهم مي‌كنند و در تركيب با روش‌هاي يادگيري جمعي، موجب افزايش توان پيش‌بيني مدل مي‌شوند. تحليل اهميت ويژگي‌ها نشان مي‌دهد كه ويژگي‌هاي مرتبط با ساختار الكتروني، به‌ويژه انرژي‌هاي يونيزاسيون، نقش تعيين‌كننده‌اي در پيش‌بيني دماي كوري ايفا مي‌كنند. در مجموع، نتايج اين پژوهش نشان مي‌دهد كه تلفيق داده‌هاي باكيفيت، مهندسي ويژگي هدفمند و مدل‌هاي پيشرفته يادگيري ماشين مي‌تواند مسير طراحي و كشف مواد مغناطيسي جديد با دماي كوري مطلوب را تسريع كند.

238156

ماده چگال محاسباتي

فيزيك

دانشگاه صنعتي اصفهان