• Treffer 6 von 8
Zurück zur Trefferliste
Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-532523

Machine learning predictions of surface migration barriers in nucleation and non-equilibrium growth

  • Machine learning is playing an increasing role in the discovery of new materials and may also facilitate the search for optimum growth conditions for crystals and thin films. Here, we perform kinetic Monte-Carlo simulations of sub-monolayer growth. We consider a generic homoepitaxial growth scenario that covers a wide range of conditions with different diffusion barriers (0.4–0.55 eV) and lateral binding energies (0.1–0.4 eV). These simulations are used as a training data set for a convolutional neural network that can predict diffusion barriers and binding energies. Specifically, a single Monte-Carlo image of the morphology is sufficient to determine the energy barriers with an accuracy of approximately 10 meV and the neural network is tolerant to images with noise and lower than atomic-scale resolution. We believe this new machine learning method will be useful for fundamental studies of growth kinetics and growth optimization through better knowledge of microscopic parameters.
Metadaten
Autor*innen:T. Martynec, Christos KarapanagiotisORCiD, S. H. L. Klapp, S. KowarikORCiD
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Verlagsliteratur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):Communications materials
Jahr der Erstveröffentlichung:2021
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.6 Faseroptische Sensorik
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:Springer Nature
Verlagsort:London
Jahrgang/Band:2
Aufsatznummer:90
Erste Seite:1
Letzte Seite:9
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Machine learning; Material engineering; Surface migration barriers
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
DOI:10.1038/s43246-021-00188-1
URN:urn:nbn:de:kobv:b43-532523
URL:https://www.nature.com/articles/s43246-021-00188-1
ISSN:2662-4443
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:17.09.2021
Referierte Publikation:Nein
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.