Skip to main content
SUPERVISOR
Mojtaba Alaei,Seyed Javad Hashemifar
مجتبی اعلائی (استاد مشاور) سید جواد هاشمی فر (استاد راهنما)
 
STUDENT
Reyhaneh Mousaei
ریحانه موسایی

FACULTY - DEPARTMENT

دانشکده فیزیک
DEGREE
Master of Science (MSc)
YEAR
1394

TITLE

Investigation of machine Learning methods for prediction of the band gap of binary semiconductor crystals
Band gap is an important and key parameter in semiconductors for electronic and optical applications. Despite the many advances in computing of first to the resident, accurate calculation of the band gap is still a challenging issue and often requires heavy calculations.On the other hand, machine learning methods along with existing large databases have led to the production of simpler solutions to many complex problems.Therefore, in this project, we will use machine learning methods to produce a suitable model for predicting the band gap of semiconductor crystals.For this purpose, we first select a set consisting of double semiconductor crystals and then, by computing of first to the resident, we prepare the required data.Then, using MATLAB software and LASSO, OLSR, Ridge, SVR methods, we will pay to Supervised Learning of machine.
گاف نواری یک پارامتر مهم و کلیدی در نیمه‌رساناها برای ‌کاربردهای الکترونیکی و نوری است. با وجود پیشرفت‌های زیاد محاسبات ابتدا به ساکن، محاسبه دقیق گاف نواری هنوز یک مساله چالشی است و غالبا نیاز به محاسبات سنگین دارد. از طرفی روش یادگیری ماشین در کنار پایگاه‌های داده بزرگ موجود منجر به تولید راه‌حل‌های ساده‌تر برای بسیاری از مسائل پیچیده شده است. لذا در این پروژه از روش یادگیری ماشین برای تولید یک مدل مناسب برای پیش‌بینی گاف نواری بلورهای نیمه‌رسانا استفاده خواهیم کرد. بدین منظور، ابتدا یک مجموعه متشکل از بلورهای نیمه‌رسانای دوتایی انتخاب می‌کنیم و سپس با محاسبات ابتدا به ساکن داده‌های مورد نیاز را تهیه می کنیم. در ادامه و با استفاده از نرم افزار متلب و به روش های LASSO, OLSR, Ridge, SVR به یادگیری با‌نظارت ماشین می پردازیم.

ارتقاء امنیت وب با وف بومی