Estimating the band gap of materials with machine learning methods
Malzemelerin Bant Aralığının Makine Öğrenmesi Yöntemleriyle Tahmin Edilmesi
- Tez No: 748740
- Danışmanlar: DOÇ. DR. SEÇKİN DÜNDAR GÜNAY
- Tez Türü: Yüksek Lisans
- Konular: Fizik ve Fizik Mühendisliği, Physics and Physics Engineering
- Anahtar Kelimeler: Bant genişliği, Güneş hücreleri, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Rastgele ormanlar, Yapay zeka, Yarı iletken güneş pili, Band width, Solar cells, Machine learning, Machine learning methods, Random forests, Artificial intelligence, Semiconductor solar cell
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Fizik Ana Bilim Dalı
- Bilim Dalı: Fizik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Makine öğrenmesi yöntemleri son on yılda kayda değer ilerleme göstermiştir. Bu yöntemlerin fiziğin çeşitli alanlarındaki uygulamalarının sayısı ve niteliği de ayrıca artmaktadır. Makine öğrenmesi algoritmaları bir veri setindeki örüntüyü öğrenebilen ve sonrasında hedef alınan etiketin değerlerini tahmin edebilen matematiksel modellerdir. Öğrenebilen bir algoritmanın seçilmesi ve en iyi hale getirilmesi, probleme ve kullanılan veri setinin yapısına bağlıdır. Bir modeli eğitmeden önce bu veri setinin işlenmesi ve özelliklerin seçilmesi ayrıca önemlidir. Makine öğrenmesi yöntemleri kullanılarak materyallerin bant aralığını tahmin ederken modeli en iyileştirmede kullanılan yöntemlerin incelenmesi bu tezin ana amacıdır. Bant yapılarının bilinmesi, güneş panelleri veya ışık yayan diyotlar gibi çevresel teknolojiler için ayrıca önemlidir. Bu gibi teknolojiler yarı-iletken materyallerden oluşur ve tüm yarı-iletkenler için geçerli olduğu üzere materyallerin bant aralıkları bu materyallerin iletkenliğini belirler. Materyal özelliklerinin tahmin edilmesi, ilgili simülasyonlara veya deneylere uzun mesai saatlerinin ve bilgisayar kaynaklarının ayrılmasını gerektirmesi nedeniyle zorlayıcıdır. Makine öğrenmesi bu problemler için gereken iş yükünü azaltarak genel verimin artması için bir çözüm sunabilmektedir. Bu tez çalışmasında önerilen rastgele orman modeli Python programlama dili kullanılarak geliştirilmiş ve en iyi hale getirilmiştir. Birden çok hata ölçüsünü bir geri bildirim aracı olarak kullanan özel yapım özellik seçici algoritma son modelin performansını iyileştirmiştir. Sonuçların gösterdiği üzere Citrine ve Matminer veri setlerindeki materyallerin bant aralıkları, en iyileştirilmiş rastgele orman modeli tarafından 0.500 eV'tan az bir ortalama mutlak hata ve 0.800'den yüksek R2 puanı ile tahmin edebilmektedir.
Özet (Çeviri)
Methods of machine learning have shown significant progress in the last decade. The number and quality of applications of these methods in various fields of physics are also increasing. Machine learning algorithms are mathematical models that can learn patterns in a data set and estimate the values of the target label afterward. The selection and optimization of a learning algorithm depend on the problem and the structure of the used data set. Processing this data set and selecting features before training a model is also important. Predicting the band gap of different types of materials with machine learning methods while investigating methods that are used for model optimization is the main objective of this thesis. Knowing the band structures is especially important in environmental technologies, such as solar panels or light-emitting diodes. They consist of semiconductor devices, and like all semiconductor materials, their band gap determines their conductivity. Forecasting material properties in physics is challenging because of the long work hours and computational resources required to dedicate to related experiments or simulations. Machine learning can offer a solution to these problems and increase overall efficiency by decreasing workloads. The proposed random forest model was developed and optimized in Python programming language. A custom feature selector algorithm that utilizes multiple metrics as a feedback tool to select optimal features also improves the performance of the final model. Results show that the optimized random forest model can predict band gaps of the materials in the Citrine and Matminer data sets with less than the mean absolute error value of 0.500 eV and an R2 score higher than 0.800.
Benzer Tezler
- Gan güç transistörlerinin anahtar kayıplarının nöral ağ tabanlı modellenmesi
Neural network based modeling of switching losses in gan power transistors
ALİİMZA DAŞDEMİR
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ONUR GÜLBAHÇE
- Design, production and industrial applications of ferroelectric photovoltaic cells
Ferroelektrik fotovoltaik hücrelerin dizaynı, üretilmesi ve endüstriyel uygulamaları
DENİZ ÇOBAN ÖZKAN
Doktora
İngilizce
2021
Makine MühendisliğiManisa Celal Bayar ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET TÜRK
- Hizmet sektöründe toplam kalite yönetimi
Başlık çevirisi yok
HÜNKAR ŞERİF
Yüksek Lisans
Türkçe
1998
İşletmeMarmara ÜniversitesiBankacılık Ana Bilim Dalı
PROF. DR. İ. METE DOĞRUER
- Vektör kontrollü yöntemi ile denetime yönelik bir asenkron makina modeli
An Induction machine model for vector control methods
CEM TOLGA DURAK
Yüksek Lisans
Türkçe
1995
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiPROF.DR. ATİLLA BİR
- Multispektral kamera kullanılarak pamuk bitkisinin gelişim sürecindeki değişimlerinin izlenmesi ve değerlendirilmesinin araştırılması
Research on monitoring and evaluation of changes during the development process of cotton plant using multispectral camera
FERDİ KOÇ