[发明专利]一种基于统计机器学习方法的载流子迁移率谱分析系统和方法

说明书

本发明提供一种基于统计机器学习方法的载流子迁移率谱分析系统，其包括：数据输入模块，其用于输入待测材料的电输运数据；预处理模块，其用于对所述电输运数据进行预处理；运算模块，其用于对预处理数据进行计算并得到迁移频谱和载流子参数；所述分析系统还包括输出模块，所述输出模块用于输出所述计算结果。本发明能够快速准确地确定相关电子材料的载流子信息。

技术领域

本发明属于电子材料研究领域，特别涉及一种基于统计机器学习方法的载流子迁移率谱分析系统和方法。

背景技术

在材料电学性质研究领域，磁电输运测量是一种有效的测试表征手段，被广泛应用于探究半金属材料和器件的电学性质。传统的两带模型分析方法常用于分析磁电输运数据以获取材料电学性质，但该模型的局限性极大，只适用于椭球形费米面且只包含两种载流子参与输运的材料，对于复杂费米面以及多种载流子参与输运的半金属材料，两带模型不再适用。

自1987年Beck和Anderson提出多载流子迁移率谱模型以来，研究者们对于该模型的算法实现层出不穷，这类迁移率谱的分析算法(Mobility Spectrum Analysis,MSA)可以半定量分析出材料的电学参数，但分析计算的结果准确度不高，只能对载流子的种类数目提供一个参考信息，一直未能广泛应用。

最大熵原理是信息论中的基本原理，其主要内容为：一个宏观系统的广义熵，在一组约束条件下始终趋向于最大值；被广泛应用于机器学习领域。Kiatgamolchai等人于2002将最大熵原理应用于迁移率谱分析中，提出了最大熵迁移率谱分析算法(Maximum-Entropy-MSA,ME-MSA)。最大熵原理的引入提高了分析的准确性，使得准确定量分析材料载流子信息成为了可能，但其计算效率较低，算法复杂度较大，单次运行时间接近5h，存在计算成本高的缺陷。

发明内容

为改善上述问题，本发明结合了最大熵原理以及统计学习中的梯度下降法对ME-MSA算法进行了改进。

在外部磁场强度为B时，测定的多种载流子参与电输运的材料(半金属材料)的纵向电阻率ρ_xx(B)和横向电阻率ρ_xy(B)实验数据，通过计算输出相应参数分析得出浓度-迁移率谱。

一种基于统计机器学习方法的载流子迁移率谱分析系统，其包括：

数据输入模块，其用于输入待测材料的电输运数据。

预处理模块，其用于对所述电输运数据进行预处理。

运算模块，其用于预设并计算迁移频谱和载流子参数。

输出模块，其用于输出所述计算结果。

根据本发明的实施方案，所述电输运数据包括待测半金属材料在M个不同外部磁场强度B下对应的M个纵向电阻率ρ_xx(B)和M个横向电阻率ρ_xy(B)实验数据。

根据本发明的实施方案，所述预处理模块包括噪声去除单元和/或背底多项式拟合单元，所述噪声去除单元用于去除电输运数据中的噪声；所述背底多项式拟合单元用于去除电输运数据中的背景噪声。

根据本发明的实施方案，所述运算模块包括数据转换单元、归一化单元和判断单元；所述数据转换单元用于根据预处理数据计算实验电导率所述归一化单元用于预设载流子迁移率、设置归一化矩阵K、约化迁移率谱p(μ)，计算模拟电导率和梯度下降调整和使之接近实验所测的电导率并最终确定迁移率谱。

根据本发明的实施方案，所述判断单元包括损失判断单元和迭代参数计算单元，所述损失判断单元用于判断损失函数是否处于容差，所述迭代参数计算单元用于根据梯度下降迭代算法计算更新迭代参数λ_next。