[发明专利]基于机器学习的锡基钙钛矿薄膜晶体管优化方法及其装置

权利要求书

1.一种基于机器学习的锡基钙钛矿薄膜晶体管优化方法，包括：

根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，所述初始候选点表征初始候选工艺设计空间，每个所述初始候选工艺设计空间包括一个或多个工艺设计参数值；

对所述初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数；

根据N个所述聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；

获取基于所述目标候选点制备所述锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，所述初始数据集包括目标候选工艺设计空间内的设计参数值以及所述设计参数值对应的器件性能标签；以及

在确定所述器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，所述预设性能至少包括两个器件性能。

2.根据权利要求1所述的方法，还包括：

在确定所述器件性能标签不满足所述预设性能的情况下，将所述初始数据集输入预先训练好的高斯模型，输出后验分布结果；

利用获取函数，从所述后验分布结果中获取目标数据集；以及

根据所述目标数据集，确定所述目标设计参数值。

3.根据权利要求2所述的方法，其中，所述根据所述目标数据集，确定所述目标设计参数值，包括：

获取利用所述目标数据集制备所述锡基钙钛矿薄膜晶体管后得到的目标性能；以及

在确定所述目标性能满足所述预设性能的情况下，基于所述目标性能，确定所述目标设计参数值。

4.根据权利要求3所述的方法，还包括：

在确定所述目标性能不满足所述预设性能的情况下，将所述目标数据集和所述初始数据集作为新的初始数据集，以便获取新的目标数据集；以及

根据所述新的目标数据集，确定新的目标设计参数值。

5.根据权利要求2所述的方法，还包括：

利用激活函数，构建三层全连接网络的神经网络；以及

根据所述初始数据集，利用所述神经网络，对基于深度核函数学习的高斯模型进行训练，得到所述预先训练好的高斯模型。

6.根据权利要求1所述的方法，其中，所述工艺设计参数包括以下至少之一：器件结构、锡基钙钛矿沟道层的属性以及关联属性、电极的属性、制作工艺；工艺设计参数值包括工艺设计参数在变量区间内的值。

7.根据权利要求2所述的方法，其中，所述获取函数包括预期超体积提高函数。

8.一种基于机器学习的锡基钙钛矿薄膜晶体管优化装置，包括：

第一确定模块，用于根据确定的锡基钙钛矿薄膜晶体管的工艺设计参数，确定初始候选点，其中，所述初始候选点表征初始候选工艺设计空间，每个所述初始候选工艺设计空间包括一个或多个工艺设计参数值；

聚类模块，用于对所述初始候选点进行聚类，得到N个聚类中心，其中，N为大于等于2的整数；

筛选模块，用于根据N个所述聚类中心，筛选距离每个聚类中心由远到近的M个候选点，作为目标候选点，其中，M为大于等于1的整数；

获取模块，用于获取基于所述目标候选点制备所述锡基钙钛矿薄膜晶体管后得到的初始数据集，其中，所述初始数据集包括目标候选工艺设计空间内的设计参数值以及所述设计参数值对应的器件性能标签；以及

第二确定模块，用于在确定所述器件性能标签满足预设性能的情况下，确定目标设计参数值，用于制备得到优化后的锡基钙钛矿薄膜晶体管，其中，所述预设性能至少包括两个器件性能。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。