Моделювання товщинних залежностей електричних параметрів та формування наноструктури у парофазних конденсатах сполук LAST за допомогою машинного навчання

У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів....

Celý popis

Uložené v:
Podrobná bibliografia
Vydané v:Fìzika ì hìmìâ tverdogo tìla (Online) Ročník 26; číslo 1; s. 29 - 34
Hlavní autori: Маковишин, Володимир, Стисло, Тарас, Іванов, Олександр, Стисло, Оксана
Médium: Journal Article
Jazyk:English
Ukrainian
Vydavateľské údaje: Vasyl Stefanyk Precarpathian National University 17.02.2025
Predmet:
last
xgboost
машинне навчання
ISSN:1729-4428, 2309-8589
On-line prístup:Získať plný text
Tagy: Pridať tag
Žiadne tagy, Buďte prvý, kto otaguje tento záznam!
Abstract У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів. Основну увагу приділено вивченню впливу товщини плівок та розмірів нанокристалітів на електропровідність та рухливість носіїв заряду. У статті вперше застосовано методи машинного навчання для прогнозування електричних параметрів на основі експериментальних даних. Для цього використовувалася  модель XGBoost що дозволяє передбачати поведінку електропровідності та інших параметрів залежно від зміни товщини плівок, що сприяє підвищенню ефективності процесу їх формування. Результати дослідження показують, що правильна оптимізація параметрів осадження може значно покращити термоелектричні характеристики матеріалів, що важливо для застосування в енергетичних і електронних пристроях. Таким чином, стаття демонструє потенціал машинного навчання як інструмента для поліпшення технологічних процесів у виробництві наноструктурованих плівок сполук LAST.  The article examines the modeling of thickness dependencies of the electrical parameters of thin films based on LAST compounds (Pb-Ag-Sb-Te) using machine learning methods. The aim of the work is to optimize the process of vapor-phase condensate deposition to improve the thermoelectric properties of materials. The focus is on studying the effect of film thickness and nanocrystal size on electrical conductivity and charge carrier mobility. For the first time, machine learning methods are applied in the article to predict electrical parameters based on experimental data. The XGBoost model was used to predict the behavior of electrical conductivity and other parameters depending on changes in film thickness, which contributes to improving the efficiency of the film formation process. The research results show that proper optimization of deposition parameters can significantly improve the thermoelectric characteristics of materials, which is important for applications in energy and electronic devices. Thus, the article demonstrates the potential of machine learning as a tool for improving technological processes in the production of nanostructured films of LAST compounds.
AbstractList У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів. Основну увагу приділено вивченню впливу товщини плівок та розмірів нанокристалітів на електропровідність та рухливість носіїв заряду. У статті вперше застосовано методи машинного навчання для прогнозування електричних параметрів на основі експериментальних даних. Для цього використовувалася  модель XGBoost що дозволяє передбачати поведінку електропровідності та інших параметрів залежно від зміни товщини плівок, що сприяє підвищенню ефективності процесу їх формування. Результати дослідження показують, що правильна оптимізація параметрів осадження може значно покращити термоелектричні характеристики матеріалів, що важливо для застосування в енергетичних і електронних пристроях. Таким чином, стаття демонструє потенціал машинного навчання як інструмента для поліпшення технологічних процесів у виробництві наноструктурованих плівок сполук LAST.
У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів машинного навчання. Метою роботи є оптимізація процесу осадження парофазних конденсатів для покращення термоелектричних властивостей матеріалів. Основну увагу приділено вивченню впливу товщини плівок та розмірів нанокристалітів на електропровідність та рухливість носіїв заряду. У статті вперше застосовано методи машинного навчання для прогнозування електричних параметрів на основі експериментальних даних. Для цього використовувалася  модель XGBoost що дозволяє передбачати поведінку електропровідності та інших параметрів залежно від зміни товщини плівок, що сприяє підвищенню ефективності процесу їх формування. Результати дослідження показують, що правильна оптимізація параметрів осадження може значно покращити термоелектричні характеристики матеріалів, що важливо для застосування в енергетичних і електронних пристроях. Таким чином, стаття демонструє потенціал машинного навчання як інструмента для поліпшення технологічних процесів у виробництві наноструктурованих плівок сполук LAST.  The article examines the modeling of thickness dependencies of the electrical parameters of thin films based on LAST compounds (Pb-Ag-Sb-Te) using machine learning methods. The aim of the work is to optimize the process of vapor-phase condensate deposition to improve the thermoelectric properties of materials. The focus is on studying the effect of film thickness and nanocrystal size on electrical conductivity and charge carrier mobility. For the first time, machine learning methods are applied in the article to predict electrical parameters based on experimental data. The XGBoost model was used to predict the behavior of electrical conductivity and other parameters depending on changes in film thickness, which contributes to improving the efficiency of the film formation process. The research results show that proper optimization of deposition parameters can significantly improve the thermoelectric characteristics of materials, which is important for applications in energy and electronic devices. Thus, the article demonstrates the potential of machine learning as a tool for improving technological processes in the production of nanostructured films of LAST compounds.
Author Іванов, Олександр
Стисло, Оксана
Маковишин, Володимир
Стисло, Тарас
Author_xml – sequence: 1
  givenname: Володимир
  surname: Маковишин
  fullname: Маковишин, Володимир
– sequence: 2
  givenname: Тарас
  surname: Стисло
  fullname: Стисло, Тарас
– sequence: 3
  givenname: Олександр
  surname: Іванов
  fullname: Іванов, Олександр
– sequence: 4
  givenname: Оксана
  surname: Стисло
  fullname: Стисло, Оксана
BookMark eNpNkstu1DAUhg0qEkPpnhXKC2TwLYm9rCoulUZiQbu2nIyNpipNlbBh13ZAwKbsWPEQ0bRDS-fSVzh-I04yM4iFdaz__Ofzb-k8IVsn5Ykj5BmjfZYIQV-cFnXd52mf9bmOhXxIelxQHatE6S3SYxmqUnL1mOzU9RGllHMpFKe9B8_hFyzhGqYwC5cwgQYWsAg_onCB8iR8h9tWgNvwJYIb7M7Q-RuFZThHyxT-RO0onrtwEc7Q93XjvocGhQbmMG1b4SdMWmoThc84fQbzMP7vPSzNBovmcccbt8QojDewJY42GGP9wh1GXHTZF-EcDQhHGa_32Ji1jGiw--6gCx6hb9k15niuEHUZ4bUJ39Y_7MRVjAl-Yp3rKXnk7XHtdtZ1mxy-enmw9yYevH29v7c7iAsmtYwtZ04UaeJ9yh3zjqo854J5memEaS9TJqjiluaF9EnClLMJ5XkmcJqyYe7ENtlfcYelPTKn1eiDrT6Z0o5MJ5TVe2Orj6Pi2BkvtM5S6_QwczL3Ps9yqaQaikwlXAiLLLpiFVVZ15Xz_3iMmm5dTLsuhqeGGa6NkOIvfzwZuQ
ContentType Journal Article
DBID AAYXX
CITATION
DOA
DOI 10.15330/pcss.26.1.29-34
DatabaseName CrossRef
DOAJ Directory of Open Access Journals
DatabaseTitle CrossRef
DatabaseTitleList
CrossRef
Database_xml – sequence: 1
  dbid: DOA
  name: DOAJ Directory of Open Access Journals
  url: https://www.doaj.org/
  sourceTypes: Open Website
DeliveryMethod fulltext_linktorsrc
Discipline Chemistry
EISSN 2309-8589
EndPage 34
ExternalDocumentID oai_doaj_org_article_f39976ae9d7e4bffb7b4848d3785233a
10_15330_pcss_26_1_29_34
GroupedDBID AAYXX
ADBBV
ALMA_UNASSIGNED_HOLDINGS
BCNDV
CITATION
GROUPED_DOAJ
ID FETCH-LOGICAL-c1494-a21e3c65ff62e1fe08bb231f479519f4613082a0bc4f5518ea502b73c1401dbe3
IEDL.DBID DOA
ISSN 1729-4428
IngestDate Fri Oct 03 12:51:51 EDT 2025
Sat Nov 29 08:18:56 EST 2025
IsDoiOpenAccess true
IsOpenAccess true
IsPeerReviewed true
IsScholarly true
Issue 1
Language English
Ukrainian
License http://creativecommons.org/licenses/by/3.0
LinkModel DirectLink
MergedId FETCHMERGED-LOGICAL-c1494-a21e3c65ff62e1fe08bb231f479519f4613082a0bc4f5518ea502b73c1401dbe3
OpenAccessLink https://doaj.org/article/f39976ae9d7e4bffb7b4848d3785233a
PageCount 6
ParticipantIDs doaj_primary_oai_doaj_org_article_f39976ae9d7e4bffb7b4848d3785233a
crossref_primary_10_15330_pcss_26_1_29_34
PublicationCentury 2000
PublicationDate 2025-02-17
PublicationDateYYYYMMDD 2025-02-17
PublicationDate_xml – month: 02
  year: 2025
  text: 2025-02-17
  day: 17
PublicationDecade 2020
PublicationTitle Fìzika ì hìmìâ tverdogo tìla (Online)
PublicationYear 2025
Publisher Vasyl Stefanyk Precarpathian National University
Publisher_xml – name: Vasyl Stefanyk Precarpathian National University
SSID ssj0002243820
ssib058986284
ssib044737029
ssib046627083
Score 2.2832355
Snippet У статті розглядається моделювання товщинних залежностей електричних параметрів тонких плівок на основі сполук LAST (Pb-Ag-Sb-Te) із використанням методів...
SourceID doaj
crossref
SourceType Open Website
Index Database
StartPage 29
SubjectTerms last
xgboost
машинне навчання
Title Моделювання товщинних залежностей електричних параметрів та формування наноструктури у парофазних конденсатах сполук LAST за допомогою машинного навчання
URI https://doaj.org/article/f39976ae9d7e4bffb7b4848d3785233a
Volume 26
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
journalDatabaseRights – providerCode: PRVAON
  databaseName: DOAJ Directory of Open Access Journals
  customDbUrl:
  eissn: 2309-8589
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssj0002243820
  issn: 1729-4428
  databaseCode: DOA
  dateStart: 20000101
  isFulltext: true
  titleUrlDefault: https://www.doaj.org/
  providerName: Directory of Open Access Journals
– providerCode: PRVHPJ
  databaseName: ROAD: Directory of Open Access Scholarly Resources
  customDbUrl:
  eissn: 2309-8589
  dateEnd: 99991231
  omitProxy: false
  ssIdentifier: ssib044737029
  issn: 1729-4428
  databaseCode: M~E
  dateStart: 20100101
  isFulltext: true
  titleUrlDefault: https://road.issn.org
  providerName: ISSN International Centre
link http://cvtisr.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwrV1Lb9QwEDaoQoIL4inKo_KBC4e0u4kT28dSUXFAFRJF6i2yE1uCw1J1W85tFwRcyo0TPyJaWCjdR_-C_Y-YcRIUTlw4RInG4y_jZCJ_IzszhDyUKbAEY4oozXgvYsBgI11aEYmUa86yREmhQ7EJvrUldnbk806pL9wTVqcHrh_cmoUZlGfKyJIbpq3VXDPBRJlwATFUEqgRsJ5OMAWexBhPeGe9iWGa807e81RIYPLNH5qvQxIYXBCr_56MZcSAlDdrmrj7cm23GA5X42wVAkoZJeyvOayT6j_MSZvXyNWGTNL1ehDXyUUzuEEub7Q13G5eWHFf3cJ9dxM39Sdu7Co3d3P_mfpjEI_9J3eKAnfq31P3E1qnoPkDBAt_BCoT94tiVzjO_LE_BL0Prfa5q0BQuZmbYJP_4saIWlH_Dnofupkfde4Hp6qFBeVRwBshIvWjFmwBXSswo7nDGZg4D7bP_REoADiI4fIcGqaIQZ-tv9gOhlPQW4SGGRzfAOqEwmXlPzYjDMLajDEMorHrFnm5-WR742nUVISICojkWKTivkmKLLU2i03fmp7QGgiqZRyIorQMgyERq54umMVUc0alvVjzpMAwstQmuU2WBm8G5g6hRSZxixcr-wq8pQ_zD1exKJVMMmULZZfJo_Yd57t14o8cAyb0hxz9IY-zvJ_HMk_YMnmMTvBHD1N2BwE4ct44cv4vR777P0DukSsxFijGijX8Plna3zswD8il4u3-q-HeSvhGfgNv83PE
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%D0%9C%D0%BE%D0%B4%D0%B5%D0%BB%D1%8E%D0%B2%D0%B0%D0%BD%D0%BD%D1%8F+%D1%82%D0%BE%D0%B2%D1%89%D0%B8%D0%BD%D0%BD%D0%B8%D1%85+%D0%B7%D0%B0%D0%BB%D0%B5%D0%B6%D0%BD%D0%BE%D1%81%D1%82%D0%B5%D0%B9+%D0%B5%D0%BB%D0%B5%D0%BA%D1%82%D1%80%D0%B8%D1%87%D0%BD%D0%B8%D1%85+%D0%BF%D0%B0%D1%80%D0%B0%D0%BC%D0%B5%D1%82%D1%80%D1%96%D0%B2+%D1%82%D0%B0+%D1%84%D0%BE%D1%80%D0%BC%D1%83%D0%B2%D0%B0%D0%BD%D0%BD%D1%8F+%D0%BD%D0%B0%D0%BD%D0%BE%D1%81%D1%82%D1%80%D1%83%D0%BA%D1%82%D1%83%D1%80%D0%B8+%D1%83+%D0%BF%D0%B0%D1%80%D0%BE%D1%84%D0%B0%D0%B7%D0%BD%D0%B8%D1%85+%D0%BA%D0%BE%D0%BD%D0%B4%D0%B5%D0%BD%D1%81%D0%B0%D1%82%D0%B0%D1%85+%D1%81%D0%BF%D0%BE%D0%BB%D1%83%D0%BA+LAST+%D0%B7%D0%B0+%D0%B4%D0%BE%D0%BF%D0%BE%D0%BC%D0%BE%D0%B3%D0%BE%D1%8E+%D0%BC%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B3%D0%BE+%D0%BD%D0%B0%D0%B2%D1%87%D0%B0%D0%BD%D0%BD%D1%8F&rft.jtitle=F%C3%ACzika+%C3%AC+h%C3%ACm%C3%AC%C3%A2+tverdogo+t%C3%ACla+%28Online%29&rft.au=V.I.+Makovyshyn&rft.au=T.R.+Styslo&rft.au=O.O.+Ivanov&rft.au=O.V.+Styslo&rft.date=2025-02-17&rft.pub=Vasyl+Stefanyk+Precarpathian+National+University&rft.issn=1729-4428&rft.eissn=2309-8589&rft.volume=26&rft.issue=1&rft.spage=29&rft.epage=34&rft_id=info:doi/10.15330%2Fpcss.26.1.29-34&rft.externalDBID=DOA&rft.externalDocID=oai_doaj_org_article_f39976ae9d7e4bffb7b4848d3785233a
thumbnail_l http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=1729-4428&client=summon
thumbnail_m http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=1729-4428&client=summon
thumbnail_s http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=1729-4428&client=summon